核磁设备因其具有无电离辐射、可立体成像的特点而被广泛应用于临床诊断。早期乳腺癌病灶在整幅核磁图像中占比较小,这影响了医生对于早期乳腺癌排查的准确度,而基于深度学习的图像超分辨技术可以在不改进硬件设备的情况下实现高分辨图像的重建。然而,现有超分辨网络大多应用于自然图像超分辨领域。与自然图像相比,核磁图像没有鲜明的色彩信息,图像信息缺乏多样性且结构单一,纹理特征更复杂。于是,本文针对该问题,提出了基于深度残差结构的超分辨神经网络,主要工作如下:（1）针对乳腺癌核磁图像存在的组织相似度高、图像信息较少的缺点,提出了基于残差结构的链式超分辨网络。网络的主体由七个卷积残差模块堆叠而成,其中残差模块可以促进层与层之间信息的融合,增强网络中不同特征的重用,有助于网络对核磁图像中细节信息的学习。核磁图像中的细节信息通常过于复杂,为了进一步提高网络对核磁图像细节的复原度,本文采用拓宽网络宽度的方式来增加网络各层对图像特征的提取。但过宽的网络层在增加计算量的同时还有可能造成信息冗余的现象,于是,网络层中通道数的设计采用了先大后小的渐进式变化。所提网络综合考虑了网络深度和网络宽度对重建性能的影响,在保证网络深度的同时,加宽网络的宽度,以提高网络的特征提取能力。（2）虽然通过拓宽网络宽度的方式提高了网络的特征提取能力,但单一的链式网络结构使得浅层网络与深层网络之间的特征不能有效传递,特征的利用率不高。于是本文提出了一种基于U-Net网络结构的超分辨神经网络。网络主体使用改进后的交叉型残差模块进行特征提取工作,然后通过长连接结构将浅层网络的输出分别与其对应的深层网络层进行融合。而浅层网络提取的特征可能会受到原始图像中噪声的影响,使得提取的特征中存在影响重建效果的有害信息。为了解决这个问题,在网络的长连接部分引入了通道注意力模块。该模块是一个轻量级的网络结构,仅通过极少的运算量就可以按照信息的重要程度为不同通道的信息赋予权重,以突出有用特征对重建效果的影响。本文在自建数据集和公开数据集上对所提的两个网络进行实验,并使用主观评价指标和客观评价指标对重建效果进行综合评估。通过与不同的重建方法进行对比,证明了本文所提方法能够实现更好的重建效果。