磁共振成像（MRI，Magnetic Resonance Imaging）是一种安全、无辐射的新型医学成像技术，它能够提供高对比度的人体组织影像，并且成像方式灵活，可以通过多参数成像突出不同组织的细节信息。然而，MRI扫描时间较长，但扫描对象无法长时间保持静止不动，因此MRI成像容易产生运动伪影。增加扫描层厚能够提高扫描速度，但层厚越大，MRI图像的空间分辨率越低，并且容易产生部分容积效应，不利于疾病的分析与诊断。因此，如何获取高分辨率的MRI图像是一个亟待解决的课题。近年来，基于深度卷积神经网络（DCNNs，Deep Convolution Neural Networks）的超分辨率重建算法为提高图像的空间分辨率提供了新思路，它强大的非线性学习能力，使超分辨率重建研究有了突破性进展。然而，将DCNNs用于超分辨率重建MRI图像，仍面临诸多挑战，如模型构建困难、时间复杂度高等。本文对基于DCNNs的3D-MRI图像超分辨率重建研究领域的一些重要问题展开了创新性研究，提出了各向异性3D-MRI图像和各向同性3D-MRI图像超分辨率重建算法，有效地提升了MRI图像的空间分辨率。本文的主要创新点及研究工作如下：
　　①提出了基于残差学习的各向异性3D-MRI图像超分辨率重建算法（RLSR，Residual Learning based Super-resolution Reconstruction Algorithm）。RLSR算法通过局部和全局残差学习促进特征与梯度在网络中的流动，根据3D-MRI图像的跨层面自相似性，利用二维卷积神经网络学习图像的三维特征，该方法可在消耗较少硬件资源的情况下，超分辨率重建任意层面选择方向的切片，有效地恢复3D-MRI图像的中/高频信息，提升3D-MRI图像的超分辨率重建效果。此外，本文还根据T1加权与T2加权成像的特点和信息互补性，提出了基于DCNNs的多模态3D-MRI图像超分辨率重建方法，它使用包含更多解剖结构与边缘细节的T1加权成像作为训练集，从而同时超分辨率重建T1加权和T2加权成像。与单模态3D-MRI图像超分辨率重建算法相比，RLSR算法极大地提高了T2加权成像的超分辨率重建效果。
　　②提出了空洞卷积编码解码网络3D-MRI图像超分辨率重建算法（DCED，Dilated Convolutional Encoder-decoder Algorithm）。DCED算法将三维空洞卷积作为编码器，以获取更多的图像上下文信息进行推理学习，同时利用反卷积作为解码器，缓解空洞效应，从而复原3D-MRI图像的高频细节。DCED算法可以在不引入参数的情况下，扩大网络感受野，并且使用反卷积可以避免边界效应，它能够比使用不同空洞系数缓解空洞效应的方法取得更好的3D-MRI图像超分辨率重建效果，其主、客观评价结果均优于对比方法。为了进一步提高3D-MRI图像的超分辨率重建质量，本文提出了特征级的几何自集成3D小波融合算法，在融合不同3D-MRI图像时保留高频细节，它的融合结果优于像素级的均值法融合方法。
　　③提出了并行卷积神经网络3D-MRI图像超分辨率重建算法（CDSR，Conv-Deconv Super-resolution Resonctruction Algorithm）。CDSR算法采用并行的卷积与反卷积，直接从低分辨率3D-MRI提取图像的上下文信息和多层次特征，然后对各层次特征分别超分辨率重建，最后对多级超分辨率重建特征进行融合。CDSR算法可以自动学习上采样参数，因此不依赖于插值上采样预处理方法。为了缓解深度网络难以训练的问题，本文提出了跨尺度残差学习，将它引入到CDSR算法的训练之中，使算法专注于学习高、低分辨率图像之间的差异，以加速算法收敛。实验结果表明，CDSR算法能够更清晰地复原高分辨率3D-MRI图像中正常组织与病灶的细节轮廓，它的主、客观超分辨率重建效果更好。