现如今,磁共振成像已然离不开高科技成像设备,分辨率高的磁共振成像对成像环境和设备要求高,花费成本大,利用超分辨率技术对其进行重建能够降低设备成本,具有很高的性价比。而基于深度学习的超分辨率算法重建出的图像细节清晰,噪声及伪影信息少,取得了比其他超分辨率算法显著的优势。目前,在使用深度学习对磁共振成像进行超分辨率重建时,存在两方面难题:一方面是如何在图像分辨率放大的同时获得更好的细节收益,且不放大噪声,减弱噪声对重建图像的影响;另一方面是如何使用一个模型同时实现图像在不同倍率下的重建。因此,本文的主要工作如下:(1)提出了基于深度可分离卷积和宽残差网络的磁共振成像超分辨率重建算法。针对目前的神经网络重建出的图像细节及纹理信息模糊的问题,作了以下改进:首先,构建了基于深度可分离卷积的宽残差块,不仅拓宽了网络的宽度,而且增强了特征在网络中的传播;之后,使用了组归一化的方法对参数进行归一化,加快了网络的收敛并提升了网络的性能。(2)提出了基于宽残差和多尺度网络的磁共振成像超分辨率重建算法。针对目前的神经网络只能针对图像的固定倍率进行重建的问题,作了以下改进:首先,基于多尺寸的卷积核,利用宽残差的思想重新构建了残差块,以提取不同比例图像的特征信息,充分地利用了图像的特征,提升了网络性能;之后,分别在特征提取和重建模块中引入了多尺度,以此实现了网络的多尺度重建功能。(3)设计并研发了磁共振成像超分辨率系统。将上述所提的两个算法应用到实践中,使用python语言,结合轻量级的flask应用框架,设计并实现了系统的各个功能模块。并在系统中加入了其他的超分辨率算法,与本文所提算法进行对比。系统中的功能模块包括:医学影像的上传、下载及算法重建等。