随着医学的发展和科技的进步,磁共振成像在当今医学领域中有着举足轻重的作用,通过磁共振成像技术进行辅助医疗诊断已经成为一种重要的、不可或缺的技术。然而,分辨率高的磁共振不仅对成像的环境和设备要求较高,对急于得到诊断的病患,时间成本也是不可忽视的。在磁共振成像领域,降低时间成本的主要方法之一是采用稀疏拍摄,但是这一方法降低的成本是以牺牲磁共振影像的分辨率,又提高了医生做出诊断的难度。医学影像通过采用包括超分辨率技术在内的技术来进行图像处理,可以有效提高图像效果。而近年来,深度学习进入快速发展时代,基于深度学习的超分辨率算法不仅在自然图像领域中取得了显著效果,在医学图像领域同样成绩斐然。利用基于深度学习的超分辨率重建技术对医学影像进行重建,能够有效降低设备成本,重建出来的图像细节清晰,噪声及伪影少,在客观评价指标以及主观感受上均强于传统超分辨率算法。目前,基于深度学习的超分辨率算法在对磁共振成像进行重建的过程中,主要面临两方面问题:一是在图像分辨率放大的基础上,降低噪声和伪影对图像造成的影响;另一方面是训练出单一模型使得其能够实现图像在任意放大因子的重建。因此,本文的主要工作如下:（1）提出了基于MR层间插值的超分辨率与多视角融合算法。针对MR为三维体数据且目前基于深度学习神经网络仅采用其中的一个方向的切片进行超分辨率重建,作了以下创新:通过计算图像中体素的空间位置信息,动态获取上采样层所需要上采样卷积核的权重,这样网络可以不用保存每个尺度对应模型的权重,从而实现对输入低分辨率图像的任意尺度超分辨率放大。（2）提出了基于多尺度网络的超分辨率与多视角融合网络。单尺度卷积核在对低分辨率图像进行特征信息的提取时,特征信息易造成图像中细节信息的丢失,为解决这一问题本章的主要工作为:在（1）上采样模块和多视角融合模块的基础上,为获取图像在不同尺寸上的特征,增强特征在网络中的传播,借由多尺度残差块,构建出多尺度残差组组成特征提取模块进行特征提取,发挥不同尺度的卷积核能够提取不同比例的特征的能力。（3）设计并研发了医学影像辅助诊断系统。将上述所提的两个算法及其它超分辨率算法应用到实践中,在算法部分采用Python语言,在Web方面采用Java语言,结合Spring Boot框架和部分前端框架,设计并实现了系统的各个功能模块。系统中的功能模块包括医学影像的上传、重建及三维可视化等。