医学图像是重要的临床参考信息,被广泛应用于实际临床诊断中。高分辨率的医学图像可以辅助医生做出更好的治疗决策,但直接获取真实的高分辨率医学图像较为困难,往往需要更换精度更高的成像设备。超分辨率重建技术可以通过低分辨率医学图像生成高分辨率医学图像,成本更为低廉。医学图像对重建准确度要求较高,利用残差网络实现医学图像超分辨率重建,能更好的还原医学图像的纹理特征。本文基于残差网络结构,研究医学图像超分辨率重建问题。主要研究工作有:（1）采用基于密集残差的医学图像超分辨率重建网络模型,改进原始密集残差块内跳跃连接的方式。建立两种类型的跳跃连接在网络中传递特征图:近距离与远距离跳跃连接。近距离跳跃连接将两个卷积层作为一个单元组,建立单元组间的连接。远距离跳跃连接以二倍等比数列确定需要建立连接的卷积层。同时替换了原网络模型激活函数,并设计消融实验研究各项改进措施的贡献。通过改进的跳跃连接方式,将连接复杂度由指数级降至对数级,解决了网络模型中浅层特征占比过高的问题。实验结果表明,所提的网络模型与原密集残差等方法相比在三倍放大下PSNR与SSIM上平均提升0.97 d B与0.0219。（2）提出了一种基于密集残差与元学习的医学图像超分辨率重建网络模型。在上一项工作的基础上,结合元学习的思想,对重建网络模型的特征图放大重建部分进行优化。将一个小型神经网络作为重建模型的一部分,结合像素点的坐标信息与放大因子信息联合训练。通过向量扩充统一小数与整数放大因子重建任务的计算空间。解决了单个模型仅支持单个整数放大因子,且无法直接实现小数放大因子的医学图像超分辨率重建问题。选择三类不同的医学图像作为训练数据,并设计了基准实验与消融实验。实验结果表明,与亚像素法相比在三倍放大与测试集b下PSNR与SSIM平均提升1.87 d B与0.0466。