本文提出一种基于路由结构胶囊残差深度神经网络(ResCapsNet)的医学图像超分辨率重建方法。首先,将原图像进行双三次插值上采样到目标图像大小,获得放大后的低分辨率图像。其次,通过卷积层提取上采样图像的特征信息并将其封装在一个胶囊结构中。然后,把大小为41×41的均方残差特征图像输入神经网络。根据胶囊网络提取的特征,神经网络可以很好地预测图像的高分辨率细节。最后,将预测的胶囊残差特征图像与插值的低分辨率图像进行融合重构,得到高分辨率的医学图像。本文算法在The Cancer Imaging Archive (TCIA)数据集上进行测试,将原图像放大2,3,4倍,再分别用SRCNN,DRCN,VDSR和本文算法进行超分辨率重建。实验结果表明,本文算法重建图像的峰值信噪比(PSNR)和结构相似度(SSIM)均高于其他几种方法。本文算法不仅解决了传统字典学习和插值算法重建精度不高、细节不清晰的问题,同时也解决了基于卷积神经网络(CNN)的重建算法在提取特征时缺失部分有用特征信息的问题。