随着医疗条件的完善,基于影像的诊断技术得到了极大的发展,相关的成像技术不断成熟。从电脑断层扫描、正电子发射断层扫描到核磁共振成像,经历了从平面图像到立体多维图像的转变。由于核磁共振成像无放射性损伤,安全系数更高,可直接显示多个轴位及任何方向的层面,在临床上得到了广泛应用。在实际应用中,核磁共振成像质量受限于硬件设备性能、空间约束、信噪比(SNR,signal to noise ratio)等参数设置。为了提高核磁影像的图像质量,进而辅助医生更精准的确定病变位置,已有大量研究人员进行了相关的研究。在此基础之上,本文通过探究图像退化的原因,结合人类视觉特性与深度学习等方法,深入研究了基于深度学习的核磁影像超分辨率质量提升方法,主要工作如下:首先,从现有基于深度学习的方法出发,设计了双路网络来逐步细化影像,将影像的特征学习与超分辨率重建有效结合,进行同步优化。基于此,提出了基于子频带残差学习的核磁共振影像超分辨重建框架。该框架拥有灵活的扩展能力,并且充分发挥了深度学习的特征表示能力,利用深度监督机制有效提高了图像重建质量。其次,受卷积神经网络中感受野概念的启发,研究了人类视觉系统中反馈机制对视觉任务的作用,将反馈机制引入到图像超分辨率任务中,设计了可训练的反馈机制,并应用在卷积神经网络的特征学习过程中,提出了基于反馈机制的特征学习模型。通过模仿大脑处理图像的反馈机制,使特征学习更加有效,大大降低了依靠单一前向网络进行特征学习的难度。最后,探究了现有的基于卷积神经网络的超分辨网络普遍存在的问题,发现过深的卷积网络不利于模型进行细节特征学习,而图像超分辨率任务需要浅层网络提供的边缘、纹理等细节信息。基于此,提出了渐进式的学习策略,该策略一方面可以将深层网络进行“分割”,给网络提供足够的浅层细节特征;另一方面,可以保持网络具有一定程度的非线性映射能力。有效的解决了核磁数据高度相似特性下,如何应用深度学习方法进行超分辨率重建的问题。实验结果表明,本文提出的基于双路子频带残差学习的核磁影像超分辨率网络,充分挖掘了低分辨率影像与高分辨率影像之间的深层关系,与传统方法及基于深度学习的方法比较,均能取得更好的重建质量,为核磁影像质量提升提供了一种更为有效的思路。