磁共振(Magnetic Resonance,MR)图像能够显示人体正常组织与非正常组织的解剖结构,是临床医学诊断疾病的重要依据。然而,在磁共振成像(Magnetic Resonance Imaging,MRI)过程中,成像结果可能包含低分辨率和高分辨率图像。此外,在MRI图像中往往存在大量的多对比度图像,它们具有相似的解剖结构,因此可以利用第一幅图像的相同结构来重建第二幅图像。超分辨率重建算法广泛用来提高MRI图像的质量。本文围绕着基于多对比度MRI大脑图像超分辨率技术展开研究,包括基于局部统计特性的方法、基于梯度关联模型的方法和基于深度学习的方法。主要内容与贡献如下:1.发现了多对比度图像权重相似性的性质,并且对该性质做了广泛的数学分析和数值验证。在此理论基础上,提出一种基于局部统计特性的多对比度MRI超分辨率重建算法,将高分辨率图像估计出的权重用于低分辨图像的插值重建,这里所指高分辨率和低分辨率图像是针对同一目标不同对比度不同分辨率的两幅图像。2.针对多对比度图像的边缘在局部空间上具有相同梯度方向和不同梯度大小的特点,建立一种多对比度图像之间梯度值大小的关系模型,通过对该模型的求解实现低分辨率图像的插值重建。非局部均值的思想用于模型参数的估计以及迭代反向投影滤波器的后期边缘增强,都进一步提高了重建图像的质量。3.提出一种深度卷积神经网络模型,实现多对比度图像的超分辨率重建。该网络能识别多对比度图像之间相似的结构信息,并很好的将相似信息整合在重建过程中。在与现有方法比较时,使用了大量模拟和真实的人脑图像,重建结果均显示本文所提算法能够重建出更清晰的图像边缘结构信息。进一步验证了多对比度图像的相似性结构信息在超分辨率重建过程中的有效性。