临床诊断和定量分析通常需要高分辨率的磁共振（Magnetic Resonance,MR）图像。然而由于新生儿大脑体积小、大脑发育不成熟和缺乏专用成像设备等因素,磁共振扫描仪采集的新生儿图像存在分辨率不高、信噪比偏低和部分容积效应等失真现象。为了提高新生儿磁共振图像的质量,超分辨率（Super Resolution,SR）技术是一种有效并且可行的方法。与传统的图像超分辨方法相比较,基于深度学习的方法能够获取质量更高的磁共振图像。本文提出了一种可以同时进行去噪和超分辨率重建的联合网络用于提高新生儿磁共振图像的分辨率。本文主要工作如下:（1）首先将注意力机制和双域学习策略相结合提出一种基于双域注意力网络的新生儿三维磁共振图像超分辨率重建算法。与传统的注意力机制不同,该方法不仅计算了特征图的通道注意力,还同时计算了特征图的空间注意力来增强网络对特征的表达能力。本文使用离散余弦变换将3D-MR图像从图像域转换到k空间,在k空间提取图像特征信息之后再使用离散余弦变换的逆变换将这些特征信息转换到图像域,最后与图像域中提取到的特征信息相融合,提高网络对特征的学习能力。实验结果表明,注意力机制和双域学习策略使得网络性能大幅提升,重建图像的质量明显优于其他方法。（2）以本文提出的超分辨率网络为基础,本文设计了一种联合网络用于三维磁共振图像的去噪和超分辨率重建。联合网络首先对输入图像进行去噪处理,然后对去除噪声的特征图进行超分辨率映射,最后得到超分辨率的3D-MR图像。在联合网络训练过程中我们将去噪损失和超分辨率损失联合起来更新网络。实验结果表明,先去噪后超分辨率的联合网络性能优于其他任务顺序的联合网络,也优于分开执行两个任务的方法,总之,本文提出的方法拥有最优的性能。