高分辨率医学图像可以为医生提供更丰富的病理信息,提高诊断的可靠性。核磁共振成像（MRI）是临床上常用的成像技术,当前,获得较高分辨率的MRI图像一般有两种途径:延长扫描时间和使用更精密的仪器,然而,延长扫描时间要求病人长时间保持静止,因此并不适用,而使用更精密的仪器显然导致成像成本增加。图像超分辨重建能够利用图像处理方法将已有的低分辨率图像转换成高分辨率图像,因此,在提高MRI图像质量方面更具应用潜力。本文针对脑部MRI图像,研究超分辨重建算法,主要开展的工作包括以下三个方面:（1）针对传统的图像特征提取方法不能很好地检测出特征结构的差异以及图像块整体训练时没有考虑图像块差异的问题,提出一种基于差分曲率分组混合模型的超分辨重建方法。首先,在梯度特征提取的基础上,利用差分曲率算法检测边缘、斜坡等特征结构,并将特征块分为三组:平滑区域、纹理区域和边缘区域。然后,基于学生t分布混合模型分别学习三组特征块的模型参数。最后,选取多个似然概率较大的子分布共同重建高分辨率图像块,提升重建图像块的准确性。实验结果表明,提出的方法不仅提高了重建图像的峰值信噪比和结构相似度指标,还能有效改善脑部图像的重建视觉效果,并且能够快速进行脑部图像的超分辨重建。（2）针对前馈卷积神经网络无法将高层信息与浅层信息结合、获取上下文信息不足的问题,提出一种融合自注意力机制的反馈网络超分辨重建方法。首先,构建具有回传功能的反馈网络,将深层特征与浅层特征结合,校正浅层特征的同时得到更深层的特征。然后,将自注意力机制融入反馈网络,直接获取图像的全局特征响应,减少冗余信息,提高反馈网络处理信息的能力。同时结合残差网络和密集跳跃连接,建立丰富的图像块特征映射。最后,经过多个时间步的迭代优化,重建出表征能力更强的脑部高分辨率图像。实验结果表明,提出的网络模型与其他超分辨重建算法相比,无论是在定量评价还是定性分析上都更具优越性,并且恢复出的纹理细节更加清晰,重建结果更接近真实的脑部图像。（3）设计一款简单易用的医学图像超分辨重建系统。将本文提出的算法与常用的经典超分辨重建算法集成到系统中,方便医生选择多种算法进行图像超分辨重建,此外,系统还具有细节查看功能,放大显示病理结构以及超分辨重建结果评估功能,帮助医生定量定性的分析重建后的图像质量。