核磁共振成像技术和电子计算机断层扫描为当下常见的临床诊断技术,常用于检测人体各个部位以便医生及时发现患者的病灶位置和大小,因此成像的清晰度对于医生诊断有着极其重要的意义。然而,由于医学设备的限制、辐射剂量以及扫描时间的控制导致医学成像不够清晰,将会影响医生的诊断。目前主流的处理方法是通过算法的后期处理提高医学图像的分辨率,即医学图像超分辨率重建。在该领域中,基于深度学习的医学图像超分辨率重建是重要的研究方向。本论文基于以上背景,对二维医学图像的超分辨率重建展开研究与实验,主要做出了以下贡献:首先,采用每个残差块的恒等映射与大连接层相结合的方式,有效融合浅层特征和深层特征,进一步提高图像重建质量。其次,为提高二维医学图像超分辨率重建模型的泛化能力以及预测精度,缓解过拟合的问题,在残差块中引入重叠池化层。接着,针对网络层数加深导致参数量过大,甚至造成梯度爆炸的问题,在网络前端采用空洞卷积,且在级联残差块中采用小卷积核,以提升训练速度,减少梯度爆炸的可能性。最后,针对二维医学图像对重建细节的较高的要求,引入注意力机制,在原始网络模型的基础上进一步添加混合注意力机制块,使网络将更多注意力集中在高频细节方面,使得重建后的图像具有更为丰富的细节特征。由于二维医学图像来源于多种成像方式与多种拍摄部位,为证明本论文提出的网络模型有较强的泛化能力和鲁棒性,采用六个公开数据集和一个未公开数据集,对不同尺度特征、不同网络结构进行了多组对比实验。实验结果表明,本论文提出的三种超分辨率重建算法较几种基于卷积神经网络的经典算法在二维医学图像重建主观质量和客观指标上都有明显的提高。