多能谱CT（Computer Tomograph,CT）利用光子计数探测器直接将光信号转化成为数字信号,能够获得不同能量段的成像。多能谱CT可以利用K-边成像降低辐射或造影剂剂量,还可以利用多能谱特性提高软组织对比度。然而多能谱CT图像在物质浓度较低时,物质与背景很难被区分开来;当两种原子序数很接近的物质距离很近时,在成像图中会混在一起而难以区分。超分辨率图像重建旨在提高图像分辨率的同时解决物质与背景难以区分及原子序数相近的物质难以区分的问题,是近年来多能谱CT成像的一大研究热点。通过对自然图像领域中超分辨率重建技术的研究,本文提出全局特征融合的Unet（Global Feature Fusion Unet,GFFUnet）和ESPCN（Efficient Sub-Pixel Convolutional Network）双网络模型,相比于其他网络模型如残差网络更简单有效。为了使得多能谱CT图像在有填充物质部分更加清晰,本文根据多能谱CT图像的特点提出两种提升初步重建结果的方法,即基于像素点二分类结果提升和基于物质分解结果提升。本文使用Creatis实验室飞利浦机器采集到的多能谱CT图像数据进行超分辨率图像重建研究,使用误差矩阵的F范数作为误差来衡量各种方法。本文的主要研究内容及贡献如下:（1）根据多能谱CT图像数据特点,提出使用全局特征融合的Unet（GFFUnet）和ESPCN双网络（GFFUnet-ESPC-Cascaded）深度学习结构进行超分辨率重建。其中GFFUnet网络结构用于特征提取,ESPCN中前三层卷积神经网络用于非线性映射,亚像素卷积层用于重构。实验结果表明该网络模型的结果相比于传统的SRCNN网络,Unet-ESPC结构（原始Unet作为特征提取部分,ESPCN作为非线性映射和重构部分）,Resnet-ESPC结构（Resnet作为特征提取部分,ESPCN作为非线性映射和重构部分）,以及GFFUnet-Transpose结构（GFFUnet作为特征提取部分,三层卷积作为非线性映射部分,转置卷积作为重构部分）均有提升。（2）为了提升初步超分辨率重建结果,提出基于像素点二分类结果提升方法。即先用标记好浓度的像素点数据训练二分类模型,再将超分辨率初步重建结果放入二分类模型得二值化图像,最后利用它提升高浓度区域的边界以及填充范围。实验结果表明提升之后边界更加清晰,高浓度填充区域范围更加接近原始图像,并且误差有所降低。（3）为了提升初步重建结果,还提出基于物质分解结果提升方法。即对初步重建的高分辨率图像物质分解得到物质分解图,再根据各物质分解图获取高浓度区域,以此提升初步超分辨率重建结果。实验结果表明对迭代反投影重建得到的高分辨率图像物质分解的结果用于提升效果较为明显,提升之后高浓度区域范围更接近于原始图像,误差也有所降低。