在当代,医学成像主要依赖高科技成像设备,医生主要通过医学图像,对病人进行疾病的诊断。因此对医学图像进行超分辨率重建,提升医学图像的分辨率具有重要的现实意义。本文聚焦于医学图像领域,应用深度学习的技术,对医学CT图像进行超分辨率重建,旨在提高CT医疗图像的重建像素质量,辅助医生进行病变目标的检测,减少漏诊和误诊的概率。医学影像受困于成像原理,成像设备,以及病人安全等硬件条件的限制,图像分辨率往往不如人意。但硬件条件的改变,成本高昂,并有诸多限制。为了提升图像的分辨率,使医生更加快速准确的对病人进行诊断。我们运用深度学习的技术,总结研究了在超分辨率领域的经典深度学习模型以及医学图像领域的超分辨率模型,有针对性的提出了两个改进的深度学习超分辨率模型-多尺度联合卷积神经网络和多级多尺度残差神经网络用于医学CT图像的超分辨率重建。因为医学图像的特殊性,图像细节信息的丢失会导致医生对病人的错误诊断。所以为了充分提取医学图像特征,我们提出了多尺度联合卷积神经网络。与以往使用单一尺度卷积核进行特征提取的SR模型不同之处在于,我们使用具有不同感受野的卷积核进行特征的联合提取。同时为了减少参数量,将小的卷积核堆叠代替大的卷积核,组成多尺度联合块。并使用递归的网络结构进行网络的搭建。同时引入多途径的全局残差学习,加速了网络收敛和保证特征信息正常传递。多级多尺度残差网络是为了提升网络重建性能,堆叠更多的神经模块而提出的。我们将残差网络融入到多尺度联合块中,形成多尺度残差块。同时,鉴于当前医学图像领域,多数的SR模型采用一次性放大重建,在大的放大因子下,重建图像质量不高。我们将拉普拉斯金字塔网络逐级采样的思想融入到模型之中,搭建了多级输出网络,组成多级多尺度残差网络。增强了网络的灵活性和大的放大因子下重建医学图像的质量。最后,我们从TCIA网站获取原始的腹部CT医疗图像,并制作超分辨率数据集,在该数据集上重构了SRCNN,ESPCN等经典超分辨率模型,然后进行对比分析,在PSNR和SSIM指标上取得了领先。验证了我们所提出的深度学习SR模型在医学图像领域进行超分辨率重建的有效性和优越性。