医学图像是临床诊断中的重要参考依据,获得高分辨率的医学图像可协助医生做出更加准确的医疗诊断,从而尽早确定病情并及时治疗。然而受成像条件和硬件设备等条件限制,采集到的医学图像分辨率普遍较低。为了有效地提高医学图像的显示分辨率,本文以深度学习方法为基础,研究针对医学图像中不同特点的超分辨算法。现有超分辨算法主要针对自然图像,故常用卷积神经网络深层的高层次语义信息进行重建。而医学图像中较多为低层次的纹理细节信息,且早期病征也多为小尺度目标,故本文提出了一种基于特征融合的医学图像超分辨网络。首先,本文利用深度可分离卷积对残差块结构进行改进,从拓展深度和宽度两方面提高残差块特征提取能力,并通过特征融合将残差块中较低层次的信息传至后续网络。在改进残差块的基础上,进一步通过特征融合将网络前端残差块的信息直接传递至重建层,从而通过不同层次的特征融合增强网络对纹理细节信息的重建能力。经后续实验证明,在自建的两种医学图像数据集上,相比于所引用的对比算法具有更好的重建效果,特别在内容丰富且纹理细节信息较多的脑部磁共振图像数据集上取得较大提升。针对所构建的第一种网络在有效信息少且分布离散的肺部CT图像数据集上提升较少的问题,本文提出了一种基于混合注意力的医学图像超分辨网络。首先,分别对空间域和通道域注意力结构的信息整合方式做出改进,以加强对医学图像中有效信息的整合能力。而后通过融合两种结构注意力权重矩阵的方式实现了一种混合注意力模块,并将其应用于非线性映射模块前以实现对低维特征图中无效信息的抑制,从而加强后续网络对有效信息的注意力。并基于该结构的通道信息筛选能力进一步改进了特征图提取模块,通过将不同分支获取的不同尺度信息特征图以级联方式传给混合注意力模块以供筛选,从而增强网络对不同尺度有效信息的重建能力。经实验证明,该网络在肺部CT图像数据集上相较所构建的第一种网络提升较大,进一步加强了对肺部CT图像有效信息的重建效果。