核磁共振成像在医学成像领域有着重要的应用,即通过对人身体部位进行扫描,获得一定的组织图像来帮助医生进行病因诊断。核磁共振仪器通过扫描,使得人身体内的氢原子核发生共振,来得到氢原子核在人体组织中的密度分布。在人身体的不同部位,因为病变组织的水含量与正常的组织不相同,所以通过成像手段来获得组织的状况,以此作为诊断依据。通常来说,核磁共振图像质量很大程度上取决于其图像的空间分辨率和信噪比。然而,信噪比与图像的空间分辨率共同提升的难度较大,且成本较高。因此,如何通过低成本的方式来快速获得高质量的核磁共振图像是至关重要的,本文将基于深度学习与超材料复合技术来实现核磁共振图像增强研究。本文以深度学习技术和超材料为基础,制备了基于超材料的可均匀增强磁场且可以调谐的复合超表面,以此来增强核磁共振成像仪接收线圈的接收效率。在核磁共振图像空间分辨率一定的情况下,通过提高图像的信噪比,以获得高质量的高分辨率核磁共振图像。本文基于应用超材料获得的高分辨率核磁共振图像,提出了基于深度学习的深度神经网络应用于图像超分辨研究,其中所提出的深度神经网络的优化方向及创新点包括:(1)删除残差网络中的批量归一化层。因为批量归一化层会降低网络特征参数的灵活性,因此我们将其删除。同时,在删除批量归一化层后,模型在训练时会节省大量的GPU内存占用量。(2)使用L1损失函数完成网络训练。L2损失函数一般是图像超分辨率领域应用的最多的损失函数,但是研究表明,其在网络训练层面无法使训练完成的网络达到最好的性能,反而L1损失函数可以在一定程度上解决此类问题,因此,本文使用L1损失函数代替L2损失函数完成网络训练。(3)加入SE模块,调整不同特征通道的权重,使得有效的特征通道权重大,无效或效果小的特征通道权重小。对于图像超分辨领域的卷积运算,网络训练的很大一部分工作量是为了在空间上融合更多图像自身的特征,或者是提取多尺度的空间信息。对于特征通道维度的特征融合,一般的卷积运算默认对输入特征图的所有通道进行相同权重的特征融合。但是实际上我们希望对特征通道也进行分组和加权,以使得模型更加简化,来减少模型的计算量。因此,使用SE模块,来使得模型可以自动学习到不同通道特征的重要程度。最后,通过峰值信噪比与结构相似性系数来比较本文所提出的算法与现有图像超分辨算法的优势。实验证明本文所提出的算法与现有的Bicubic及SRResNet算法相比,峰值信噪比得到了一定的提升,为34.11dB,结构相似性系数也得到一定的提高,为0.8524。因此,本文所提出的算法可对核磁共振成像起到一定的促进作用。