MRI图像广泛应用于临床诊断,但是获得高分辨率的MRI图像往往需要更长的扫描时间,或者提升硬件性能。运用图像超分辨重建方法对MRI图像重建能够极大地降低硬件需求,从而提高病患诊疗效率。然而,传统超分辨率重建算法的性能并不能满足医学MRI图像对精确的重建结果的要求,基于深度学习的图像超分辨重建算法虽可以重建出更加真实的图像,但现有超分辨率重建算法模型复杂度高,参数量大,且MRI图像结构复杂,针对于MRI图像超分辨重建的算法较少。因此本文设计了一种基于深度学习的快速且精确的MRI图像超分辨重建算法。此算法基于自适应特征聚合对MRI图像进行超分辨重建,使用稠密连接（Dense Connect）实现特征复用,并构建残差连接（Residual Connect）用于加速网络收敛。MRI图像组织结构复杂,超分辨率重建需要利用MRI所有层次的特征,设计了基于通道注意力机制的自适应特征聚合模块,使得网络可以自动选择重建时所需要的特征,防止了由于特征信息在传递过程中减弱或消失造成的MRI超分辨重建图像不准确的问题出现,并且通过实验证明模型设计的合理性和性能的优越性。为保证超分辨率重建的速度和精度,对上述设计的算法进行优化,构建了一种基于频率分离的MRI图像超分辨重建算法。此算法从频率的角度考虑,引入频率分离模块,通过对不断分离出高频和低频信息进行差别计算,使得在重建过程中更多的关注高频信息;并使用自适应特征聚合模块,聚合所有的高频特征、低频特征、高频分支网络的输出和低频分支网络的输出,实现对不同频率特征的筛选,使得重建后的MRI图像保留更丰富的细节信息;最终,通过多个放大倍数的MRI图像超分辨重建实验证明本文设计的算法能够实现快速且准确的MRI图像超分辨率重建。