Las imágenes de teledetección multiespectral de alta resolución se utilizan ampliamente en campos críticos como la gestión de zonas costeras y la ingeniería marina. Sin embargo, obtener tales imágenes a bajo costo sigue siendo un desafío significativo. Para abordar este problema, proponemos el método MRSRGAN (red generativa adversarial de superresolución residual a múltiples escalas). El método aprovecha las imágenes de Sentinel-2 y GF-2, seleccionando nueve tipos de cobertura terrestre típicos en zonas costeras, y construye un pequeño conjunto de datos de muestra que contiene 5210 imágenes. MRSRGAN extrae las características diferenciales entre imágenes de alta resolución (HR) e imágenes de baja resolución (LR) para generar imágenes de superresolución. En nuestro enfoque MRSRGAN, diseñamos tres módulos clave: el módulo residual mejorado por atención de fusión (FAERM), la fusión de atención a múltiples escalas (MSAF) y la extracción de características a múltiples escalas (MSFE). Estos módulos mitigan la desaparición del gradiente y extraen características de imagen a diferentes escalas para mejorar la reconstrucción de superresolución. Realizamos experimentos para verificar su efectividad. Los resultados demuestran que nuestro enfoque reduce la Similitud de Patches de Imagen Perceptual Aprendida (LPIPS) en un 14.34% y mejora el Índice de Similitud Estructural (SSIM) en un 11.85%. Mejora efectivamente el problema donde el gran alcance de los objetos en las imágenes de teledetección hace que la convolución a escala única sea insuficiente para capturar características detalladas a múltiples escalas, mejorando así el efecto de restauración de los detalles de la imagen y aumentando significativamente la nitidez de los bordes de los objetos en el suelo.