呼吸运动会引起胸部器官和肿瘤的运动，为精确放疗带来一定的困难。为了动态采集肺癌患者呼吸时的计算机断层摄影（Computed Tomography，CT）图像，实现个体化的精确放疗，近年来出现的肺部四维计算机断层摄影(Four Dimensional Computed Tomography，4D-CT)扫描发挥着越来越重要的作用。肺4D-CT扫描得到的图像除了能真实反映呼吸周期中胸部器官和肿瘤的形态，还能获取肺部随呼吸运动的变化范围和方式，医生能够很好地根据肺4D-CT图像确定肿瘤的形态与运动范围，从而勾画出准确的肿瘤靶区。然而，在肺4D-CT扫描过程中，患者需要在同一床位上进行多次长时间扫描，如果仍采取纵向密集采样，患者将会吸收过多的照射剂量。出于安全的考虑，肺4D-CT扫描采用增加层间隔、减少扫描层数的方式，这会导致图像的层间分辨率远低于层内分辨率，数据显示的各向异性明显。为了显示正常比例图像，需要沿纵向插值放大，但是插值法并不引入新的信息，因此图像往往容易模糊。针对此问题，本文提出了两种基于超分辨率技术的方法以重建高分辨率肺4D-CT图像。主要工作如下:　　1.提出了基于低秩矩阵重建的超分辨率重建算法:　　我们认为某一相位某一位置的纵向低分辨率图像与其他相位的相应位置的纵向图像之间是关于同一场景的一系列含有相似结构信息的、有运动位移的“帧”，而高分辨率图像退化到低分辨率图像的过程，可以看成是矩阵的某些元素被破坏或者污染的过程。由于不同“帧”的图像破坏或污染的位置不一样，我们可以利用其他“帧”图像的信息，补充到待恢复的图像中去。基于以上思想，我们对图像进行分块，通过相似性测度函数寻找其他“帧”中与目标图像块最相似的图像块，然后构造待恢复的低秩矩阵，利用迭代软阈值的方法求解出低秩矩阵，再重新整合，得到目标图像块的重建图像块。我们认为该重建图像块利用了其他相位图像块的信息，同时又能减少在其他相位不存在的伪影，分辨率得到提高。通过对图像块的处理，我们可以得到一幅完整的高分辨率图像。　　2.提出了基于多模型高斯过程回归的超分辨率重建算法:　　由于低秩矩阵重建的方法需要寻找相似块，并且利用的是冠、矢状面的低分辨率图像，因此在算法实现过程中，速度与精度会受到一定的限制。当前基于学习的方法，通过从训练集中训练出一个或多个完整的模型以获得高频信息，在对测试集输入图像处理的过程中，引入训练得到的模型中的先验知识，可以恢复低分辨率的细节信息，提高分辨率。基于此思想，我们可以利用基于学习的方法实现肺4D-CT图像的超分辨率重建。我们以高分辨率的横截面图像以及相对应的低分辨率插值图像为训练集，把训练集分成多个组，引入高斯过程回归，从而训练出多个高斯过程回归模型。对于输入的低分辨率冠、矢状面图像，我们利用训练出的多个高斯过程回归模型，可以重建得到相对应的高分辨率图像。　　本文使用了两个公开可用的肺4D-CT数据进行了仿真实验与真实数据实验。在仿真实验中，研究对象为高分辨率的横截面图像在经过模糊变形和降采样退化得到的低分辨率图像，从视觉效果与量化评价两方面对本文方法得到的重建结果进行评价，并进行了相应参数的相关分析。实验结果表明，本文提出的两种方法均能有效重建出高分辨率图像。在真实数据实验中，我们对低分辨率的冠、矢状面图像进行超分辨率重建，并从视觉效果上评价所得到的高分辨率图像。实验结果表明，我们的方法能产生更为清晰的边缘与细节，在一定程度上提高了图像的效果与质量。同时以边缘宽度作为量化指标，我们的方法明显优于对比算法。