单图像超分辨率（SISR）随着卷积神经网络（CNN）的深度和宽度不断增加，已经取得了显著进展。然而，庞大的参数量阻碍了其在实际问题中的应用。在本文中，我们提出了一种轻量级特征融合网络（LFFN），该网络能够在充分利用多尺度上下文信息的同时，大幅减少网络参数，从而最大化SISR的效果。LFFN基于纺锤块和一个自适应学习的Softmax特征融合模块（SFFM）。具体而言，纺锤块由维度扩展单元、特征探索单元和特征精炼单元组成。维度扩展层将低维特征扩展到高维，并隐式地学习适合下一单元的特征图。特征探索单元对不同的特征图进行线性和非线性的特征探索。特征精炼层用于融合和精炼特征。SFFM通过Softmax函数以自适应学习的方式融合来自不同模块的特征，从而在少量参数成本的情况下充分利用层次信息。基准数据集上的定性和定量实验表明，LFFN在参数量相似的情况下，性能优于现有最先进的方法。