磁共振成像（MRI,Magnetic Resonance Imaging）是一种非入侵、无电离辐射的多参数成像技术。高分辨率的MRI图像能够为临床中肿瘤等重大疾病的诊断与分析提供清晰的解剖细节。然而,MRI的成像时间较长,在扫描过程中容易因患者不自主移动产生运动伪影。虽然增加MRI图像扫描的层厚可以减少扫描时间,但会导致部分容积效应以及MRI图像分辨率的降低,低分辨率的MRI图像中组织边界模糊,限制了其在临床疾病诊断与分析中的应用。超分辨率（SR,Super-resolution）是一种可以突破硬件限制提升MRI图像空间分辨率的技术。近年来,卷积神经网络（CNN,Convolutional Neural Network）强大的拟合能力使MRI图像的超分辨率研究有了突破性进展,但目前基于CNN的SR模型存在特征利用率低、时间复杂度高、重建图像视觉感知质量不佳以及MRI图像自身先验信息挖掘不充分等问题。针对上述问题,本文对基于CNN的3D MRI图像超分辨率技术进行了创新性的研究,重点分析MRI图像的数据特性以及超分辨率模型的构建方案,从而提出特征利用率高、时间复杂度低、视觉感知质量佳并有效利用MRI图像先验知识的3D MRI图像超分辨率算法,并探索其在肿瘤检测与分割任务中的潜在应用。本文主要工作与贡献包括以下几个方面:针对现有基于CNN的3D MRI图像超分辨率算法对计算能力和显存需求较高,难以应用于计算资源有限的MRI成像过程的问题,本文提出基于稠密网络的各向同性磁共振图像快速超分辨率算法（DNSR,Dense Network Super-resolution）。与用预采样MRI图像作为输入的SR算法不同,DNSR算法以原始低分辨率3D MRI图像作为输入,在获得原始低分辨率图像真实数据分布的同时,又可有效地降低模型计算量。其次,DNSR算法通过稠密连接的方式跨层传递特征,增强模型中信息的流动,同时提高特征的利用率。最后,DNSR算法利用反卷积层学习上采样核,来融合多层级的特征并生成高分辨率3D MRI图像,从而克服预采样算法对插值方法的依赖。通过大量的消融实验、对比分析实验以及肿瘤检测与分割应用验证表明:本文提出的DNSR算法在单尺度、多尺度以及多模态3D MRI图像超分辨率任务中均具有较好的SR性能,同时使用较少的计算量与显存。基于图像强度约束的3D MRI图像SR算法通常拟合的是多幅高分辨率图像的均值,这导致重建图像的边缘模糊,视觉感知质量欠佳。针对该问题,本文提出基于生成对抗网络的各向同性磁共振图像超分辨率算法（GANSR,Generative Adversarial Network Super-resolution）。GANSR算法包含生成高分辨率3D MRI图像的生成器网络,以及用于区分生成器生成的图像与真实高分辨率3D MRI图像的判别器网络。GANSR算法不仅使用图像强度损失约束图像的内容,还用生成对抗的思想进一步约束生成图像的数据分布与纹理细节,最终达到生成器生成的图像能以假乱真,具有与真实高分辨率图像一致的视觉感知质量。考虑到不同的特征以及不同特征的区域对最终生成的图像具有不同贡献,在生成器网络结构设计时,本文采用通道注意力与空间注意力机制来自适应地增强有益于提升SR性能的特征与特征区域。实验结果充分揭示了本文所提出的通道与空间注意力机制的有效性,多个公开脑部MRI数据集上的对比实验表明GANSR算法生成的图像更符合人类视觉感知。各向异性的3D MRI图像存在高分辨率层面,可为提高3D MRI图像的分辨率提供丰富的先验信息。针对现有算法对3D MRI图像先验信息挖掘不充分的问题,本文提出基于多分支网络的各向异性磁共振图像超分辨率算法（MBNSR,Multi-branch Network Super-resolution）。MBNSR算法将各向异性3D MRI图像超分辨率问题视为向高分辨率层面相邻切片中插入额外切片的问题。MBNSR算法采用一个主分支对目标低分辨率切片进行特征提取,另外两个参考分支以相邻高分辨率切片为输入,并从中提取对目标切片有益的高频信息。最终,不同分支的特征经过融合,为提高目标切片的分辨率提供丰富的边缘与高频信息。同时,本文还提出基于图像强度与梯度的联合损失,以丰富生成图像的纹理细节。实验结果表明,多分支网络可有效地从相邻高分辨率切片中学习有益于提高目标切片分辨率的信息。MBNSR算法能够更清晰地复原高分辨率3D MRI图像中正常组织与肿瘤的细节轮廓。