磁共振成像(Magnetic resonance imaging,MRI)是一种应用极为广泛的医学影像学检查技术,其成像图像具有软组织成像清晰特点,利于医生进行影像诊断。为了成像高分辨率图像需进行长时间扫描,但患者在长时间扫描中难以保持绝对静止,其成像图像极易产生运动伪影。为了减少运动伪影,可以加大层厚以缩短扫描时间,但又造成成像图像分辨率较低,不利于医生进行影像诊断。此时,MRI的分辨率提升则显得至关重要。本论文针对磁共振图像超分辨率这一实际问题,对现有的已应用于自然图像超分辨率的深度递归残差网络进行改进,旨在解决递归残差网络训练时显存消耗严重,训练速度慢的问题。本文的主要工作包括:(1)针对递归残差网络(Deep recursive residual network,DRRN)训练时需要耗费很多的显存以及训练速度慢的问题,在计算资源有限的情况,提出一种加速的递归残差网络(Faster deep recursive residual network,FDRRN),并应用于磁共振图像超分辨率。实验证明,FDRRN极大地降低了计算量,减少了显存的占用,所需显存仅仅为DRRN的1/3,加快了网络训练的速度,训练时间一轮的时间仅仅为DRRN的1/4。同时,FDRRN的PSNR和SSIM相比于DRRN还有了细微的提升。(2)递归残差网络DRRN在训练时,残差单元在传递信息时可能造成信息丢失。针对这一问题,提出一种多分辨率学习卷积神经网络(Multi-scale resolution convolutional neural network,MRLCNN),包含用于特征提取的残差单元,多分辨率上采样的反卷积层以及多分辨率学习层。MRLCNN由17层卷积层和1层反卷积层构成,网络在低分辨率图像空间中实现图像超分辨率,采用多分辨率上采样实现多个残差单元信息融合并加速网络,多分辨率学习能够自适应地确定各分辨率上采样的高维特征图对磁共振图像超分辨重建的贡献度。实验表明,相比于FDRRN,MRLCNN能够在训练时间和显存消耗上又有了进一步的提升,很好地超分辨率重建了磁共振图像,优于最新的深度学习方法。