由于受传统成像系统中硬件本身、技术水平和外部各种环境因素的影响,现实中生成的图像会不可避免的会损失一些原来的细节纹理信息。为了对这类问题进行有效的解决,图像超分辨率技术被广泛的研究,该技术能对质量较差的图像进行恢复重建,具有成本低、普适性高等优点。针对图像超分辨率技术在医学图像重建方面的应用,虽然现阶段基于深度学习的方法能在一定程度上提高图像分辨率,但其计算量大的问题一直没有得到有效的解决。其次大多数模型没有完全使用原始图像的分层特征,缺乏跨特征通道的判别学习能力,没有对全局特征和局部特征进行有效的利用。为了缓解这一系列的问题,本文对现有的几种超分网络模型进行了改进,具体研究内容如下:(1)提出了一种基于八度卷积密集采样块网络的图像超分辨率算法。首先将octave卷积引用于初始化特征提取阶段,使用octave卷积运算来处理特征中不同频率分布的信息。初始特征提取的过程被分为高频操作和低频操作,其中高频操作主要的作用是尽可能多地恢复高频信息,并且将这些特征转发到高分辨率输出,使主要网络过程集中学习高频信息,从而减少不必要的计算量。其次,在网络中加入改进的密集跳跃连接采样块,为低频特征和高频特征的组合提供了一种有效的方法,构建直接从输出到各层的短路径,能够有效缓解深层网络的梯度消失问题。同时,通过采样块生成强大的高级表示,以改进重构功能。最后实验结果显示在使用的医学图像数据集上,该改进算法相比于常见的算法,在计算量、客观评价指标和主观视觉感受等方面都表现出实验的优异性,从而验证了提出方法的有效性。(2)提出了一种基于自适应残差神经网络的图像超分辨率算法。首先设计了一种自适应框架对图像内部特征采用灵活的方式来切换全局和局部推理,从而能够在提取大量全局特征的同时又不忽略关键信息,有利于残差图像的全面性,从而恢复出高质量的图像。在设计的自适应模块中加入Squeeze-and-Excitation Networks(SE-Net)结构,对提取的特征进行通道建模,通过学习的方法使网络能够自主的获取每个特征通道的重要性,然后就可以按照获得的重要性去提升图像重建过程中有用的特征并抑制没有用处或者用处不大的特征。这样使得网络提取的深层特征具有更多的非线性可以更好的拟合特征通道中的复杂相关性,同时有效的减少参数量和计算量,能够一定程度的提升超分辨率的性能。最后根据实验结果显示,该算法对网络层数和SE-Net的研究对实验产生了积极影响,使得其客观评价指标数值较常用算法有所提高,并且肉眼可以看到该算法生成的图像更加清晰,细节更加明显。