医学图像的信息决定了医生对于患病情况的分析准确度,在实际的医学图像获取的过程中,难免会碰到人为或设备条件等因素的影响,导致无法获取到清晰的图像,亦或是需要对某些细小的组织结构放大,但是现有的一些放大算法不能满足清晰放大的需求,也会发生图像分辨率降低的情况。解决医学图像的分辨率问题大致能分成两个方向,一个是硬件条件的提升,通过升级医学设备,在成像过程中提高精度的方式,来解决低分辨率的问题;另一种则是使用软件方式对于像素分布进行优化重组,本文将从软件的角度出发,研究如何使用神经网络对于医学图像进行超分辨率重建。实验数据由医学诊断中最常用的计算机断层扫描（CT）以及核磁共振成像（MRI）两种断层成像,来构成本文研究的医学样本。研究工作内容如下:（1）基于细节增强块的医学断层影像超分辨率算法:医学断层成像对于纹理以及细节的要求较高,该网络针对图像细节模糊以及特征提取不足等问题,在残差块的基础上进行改进,提出细节增强块结构DEB,通过从通道上进行特征分离,将局部特征保留并记忆,融合局部特征以及全局特征的方式进行特征提取,避免梯度的消失的问题,加快网络的收敛速度。本实验横向对比了多个算法的预测图像,以及评估图像质量指数,实验结果表明:该算法有较好的主观视觉效果,且网络参数轻量,对于低倍率的重建任务有更好的重建质量,以及较快的重建速度。（2）基于生成对抗网络的医学断层影像超分辨率算法:针对之前研究问题基础上,总结医学断层成像所需要的重建细节,对网络结构提出更高的要求。提出基于生成式对抗神经网络结构的EQGAN,首先在特征提取部分采用VGG19对输入图像进行特征提取,大大缩短了网络所需训练时间。然后在网络中加入残差密集块加快模型收敛速度,最后采用断点继续训练的方式进行训练,在多个不同类型的样本库之间进行切换,以增强网络的泛化能力。实验结果表明:EQGAN网能够在4×高倍率放大因子下,仍然有显著的重建效果,边缘结构与黑色背景之间有明显的图像边缘,病灶区域没有产生断层和伪影,完整地保留器官组织信息,避免了边缘组织部分的虚化。网络模型在特征相似性（FSIM）、图像结构相似性（SSIM）、信噪比（PSNR）等这些客观指标上表现良好,达到了客观评价与主观视觉的统一。