在临床上,无创地呈现人体内部生理组织结构和病理信息的医学影像被广泛应用于辅助医师对疾病进行精确地分析和诊断,综合多种模态医学影像的互补信息有助于进一步提高诊断的准确度。然而,受限于物理性质、禁忌症和人力物力成本等因素,临床上通过扫描成像获取高质量的多种模态的医学影像存在很大困难。因此,通过医学影像计算的方式重建出高质量的多模态影像受到广泛关注。相比于传统方法,现有基于深度学习的医学影像重建方法虽然提高了生成影像质量,但是仍然存在着细节纹理恢复不充分、不一致的问题。在此情况下,本文从脑部磁共振影像超分辨率重建和脑部影像跨模态重建两个方面展开研究,旨在设计具有更强细节纹理感知能力的模型。在脑部磁共振影像超分辨率重建上,本文提出一种频率并行的超分辨率模型,称为细节感知的生成对抗网络（Fine Perceptive Generator Adversarial Networks,FP-GANs）,以实现对磁共振影像中纹理细节的感知和恢复。该模型基于分而治之的策略,融合小波变换和生成对抗网络,实现对脑部磁共振影像的低频成分和高频成分进行分频并行地超分辨率重建。具体而言,FP-GANs先利用小波变换将磁共振影像分解为低频全局轮廓和高频纹理细节（横向纹理、纵向纹理和对角纹理）,再利用4组生成对抗网络分别对各个纹理细节进行处理。这种分别处理脑部磁共振影像中各个纹理细节的机制,有助于避免网络模型对影像中的高频纹理细节的忽略。为了进一步增强模型对细节纹理的感知性能,本文提出一种作用于小波域子带的注意力机制（子带注意力机制）。此外,本文还从小波频域和图像域两个角度设计损失函数,联合引导模型的训练、优化,使得超分重建的结构细节纹理具有更强一致性。通过在Multi Res＿7T和ADNI数据集上的实验证明,相比于对比方法,FP-GANs超分重建结果中的生理组织结构更加细致并且一致性更强。同时,分类实验证明了超分影像有助于提高阿尔茨海默症诊断准确率,这也进一步证明了模型的应用价值。在脑部影像的跨模态重建上,本文提出了一种双阶段的跨模态重建模型（Dual Stage Generator Adversarial Networks,DSGAN）,以实现充分提取及解耦模态间的共享潜层特征和频率纹理特征。在第一阶段,采用基于特征金字塔的特征提取器,对源模态脑部影像中的共享多尺度特征信息进行自底向上地提取,以及自顶向下地生成初步的目标模态影像。同时,提出一种基于小波变换的联合编码,将初步目标模态影像转换为小波频域信息,并与提取的共享特征编码进行联合编码,形成从高层到低层的特征控制编码。增强了模型对源模态影像和目标模态影像间的共享多尺度特征的提取和解耦性能,并且增强了模型重建的信息。在第二阶段,采用一种基于生成对抗网络的并行渐进译码的方法,实现对联合编码进行从高层特征到低层特征的渐进译码,逐步细化目标模态影像的生成。该方式有效地增强了对目标模态影像重建过程的稳定性,避免现有方法容易生成伪影等不一致信息的问题。通过在ADNI数据集上的实验证明,提出模型比对比方法能更好地保留影像中的生理结构信息和病理信息,使得重建的影像具有更强的一致性。