随着现代医学诊疗手段和计算机技术的发展,医学影像成为临床诊断和医学研究领域的强有力工具。具有多方位和多参数成像方式的医学MRI影像对人体脑部结构和软组织有较高的分辨率,且无电离辐射,是病理信息和解剖结构研究的主要手段。实际应用中,由于成像设备、技术的不同以及外界干扰等因素,造成获取的MRI影像细节丢失,纹理不清晰,因此,MRI影像的超分辨率研究对于临床诊断和人类医学事业具有重要的科学意义。通过分析医学MRI影像的纹理特征,根据卷积神经网络在不同感受野下获取图像特征信息的不同以及医学图像各组织器官之间复杂纹理信息的差异性,本文采用具有高保真图像生成能力的生成对抗网络构建两种图像超分辨率算法:（1）基于多尺度残差的生成对抗网络医学MRI影像超分辨率重建算法。首先,利用多尺度残差组改进网络中的残差块,局部残差特征聚合模块将残差组聚合在一起,实现残差特征的非局部使用,减少局部特征在网络传播过程中的丢失;其次,通过注意力机制获取对关键信息响应程度更高的通道和空间特征信息,进而提升重建图像的细节纹理效果;然后,将低分辨率图像的梯度图转化为高分辨率图像的梯度图辅助重建超分辨率图像;最终将恢复后的梯度图集成到超分辨率分支中,为超分辨率重建提供结构先验信息,从而明确地指导高质量超分辨率图像生成。（2）基于多感受野的生成对抗网络医学MRI影像超分辨率重建算法。首先,利用多感受野特征提取块获取不同感受野下图像的全局特征信息,为避免感受野过小或过大导致图像的细节纹理丢失,将每组特征分为两组,其中一组用于反馈不同尺度感受野下的全局特征信息,另一组用于丰富下一组特征的局部细节纹理信息;然后,使用多感受野特征提取块构建特征融合组,并在每个特征融合组中添加空间注意力模块,充分获取图像的空间特征信息,减少了浅层和局部特征在网络中的丢失,在图像的细节上取得了更逼真的还原度;其次,将低分辨率图像的梯度图转化为高分辨率图像的梯度图辅助重建超分辨率图像;最终将恢复后的梯度图集成到超分辨率分支中,为超分辨率重建提供结构先验信息,有助于生成高质量的超分辨率图像。实验表明,本文所提方法在客观指标和主观视觉方面均优于其他算法。