磁共振（magnetic resonance,MR）图像能在早期发现更加细小微小的病变组织,广泛用于病变定位和病情诊断,高分辨的MR图像能提供更清晰的结构细节,有助医生对病情的正确分析和诊断。目前主要采用通过提高激发人体组织与器官中更多的氢质子磁化来提升成像分辨率,由此会造成磁共振成像仪的主磁场和加载的电磁波辐射时间和辐射强度的增加,辐射过量可导致人身体过热、蛋白灭活等严重后果,不适合临床应用。为此,采用超分辨技术提升MR图像的分辨率是有效手段。鉴于MR成像特点,传统图像超分辨方法难以满足性能要求,采用样本空间学习方法可有效利用已有图像先验知识,相比于传统的基于信号处理的超分辨方法具有优势,但仍然有提升空间。全文的主要创新工作包括:构建适用于MR图像的超分辨框架,依据样本数量划分为小样本空间学习和大样本空间学习,提出基于样本空间学习的MR图像超分辨方法,采用基于稀疏表示的字典学习方法实现小样本空间下的MR超分辨,采用深度卷积学习网络实现基于大样本空间下MR图像超分辨。结合MR成像机理构建图像数据集,给出图像超分辨质量评价方法,验证基于样本空间学习的MR超分辨框架性能。实验结果表明,基于样本空间学习超分辨方法可行,且优于传统超分辨方法。提出基于样本空间优化的MR图像超分辨方法,解决了个体样本质量不均衡影响超分辨性能的问题。首先,提出基于样本个体优化的MR超分辨算法,采用图像灰度一致性及一二阶梯度方法度量样本个体质量,剔除影响超分辨性能的奇异样本,构建最优样本空间;其次,提出基于灰度一致性—梯度联合评价的样本空间优化方法,该方法以复杂度和梯度作为样本分布的特征维度,采用灰度一致性法计算复杂度判别样本的全局特性,采用梯度法计算图像的一阶二阶梯度来判别样本的局部复杂特性,构建适用于MR图像超分辨的样本空间。实验结果表明,提出的优化方法可有效提升小样本及大样本空间下的图像超分辨性能。提出基于小样本空间字典学习的MR图像超分辨优化方法,从损失函数及重构因子两个角度提升字典表征能力,首先提出基于重构质量约束的误差损失函数,采用高低分辨率字典重构误差独立计算,考虑高低分辨率字典个体重构误差,摒弃传统的级联计算方法,有效减小重构误差,解决传统字典联合级联训练未考虑高低分辨字典个体重构误差的问题;其次采用多因子联合学习优化方法,解决MR超分辨过程中的平衡参数、重叠块、字典块大小、块数量等重构因子耦合问题,进一步提升小样本空间下的字典表征能力。实验结果表明,提出的损失函数及重构因子联合优化的字典学习方法有效提升小样本空间下MR图像超分辨性能。提出基于大样本空间深度学习的MR图像超分辨优化方法,从网络结构、数据特性及异构网络融合三个角度提升了高低分辨率特征映射能力。首先,提出基于多切片输入优化的超分辨网络结构,充分利用MR切片间的结构相似性;其次,针对传统损失函数没有考虑人类视觉感知问题,提出多损失函数级联的优化方法,保留图像的颜色、亮度和高频区域对比度特性;第三,提出基于异构网络融合方法,通过附加的融合层来集成单个网络的输出,拓宽了网络的宽度,可有效提升高低分辨率特征的映射表征能力。实验结果表明,提出深度学习网络多重优化方法有效提升大样本空间下MR图像超分辨性能。