随着信息技术的发展,数字化时代已经悄然而至,数字图像已经成为人们从外部世界获取信息的主要方式之一。图像的超分辨率重构就是利用计算机算法,把成像设备获取的效果不理想的低分辨率图像转化成相应的高分辨率图像。医学图像作为医生诊疗病症的一种主要依据,提高医学图像的分辨率对医生尽早发现病情和拟定积极的诊疗策略都有颇为重要的意义。因此,为了进一步提高医学图像的质量,本文将卷积神经网络和超分辨率重构相结合,成功的使重构之后的高分辨率医学图像拥有更高的像素密度、更细腻的画质和更多的纹理信息。同时,本文提出的算法在处理含有噪声的医学图像时还能够抵抗原始低分辨率医学图像中的噪声,算法的鲁棒性得到进一步增强,同时本文提出的算法还具有快速、高效等优点。本文主要研究图像的超分辨率重构过程,针对基于卷积神经网络的医学图像超分辨率重构算法进行研究,以实现在提高重构后医学图像质量的同时加快算法的重构速度以及提升算法的鲁棒性,从而为医生提供更好的帮助。本文的研究主要从以下两方面开展:(1)提出一种融合局部特征和全局特征的医学图像超分辨率重构算法。算法通过网络模型中的两个特征提取层,对医学图像进行更细致的特征提取。通过网络模型中的重叠池化层,减小提取到特征向量的维度,使提取的特征更具代表性并且能够简化网络结构,提高训练效率。通过网络模型中的连接层,使用局部特征完成一次重构,这样不仅可以弥补各层卷积操作的损失,还能有效防止错误的结构信息被无端添加到重构之后的高分辨率医学图像中。从仿真实验结果可以发现:使用融合局部特征和全局特征的医学图像超分辨率重构算法重构出的图像,比其他传统的超分辨率重构算法以及基于深度学习的超分辨率重构算法重构出的图像质量都要高,不管是在客观评价指标峰值信噪比的数值上还是在图像的主观效果和细节纹理上都有很大的提高。(2)由于医疗成像设备的特殊性,医学图像与普通自然图像相比主要存在两点差异。首先医学图像在获取的时候是极易产生噪声的,而超分辨率重构算法在处理医学图像时会将这些噪声放大。其次医学图像成像之后会有大片不含任何纹理信息的黑色边框。结合医学图像的这两个特点,提出了一种基于噪声鲁棒的卷积神经网络超分辨率重构算法。使用离散Harr小波变换作为模型的预处理算法,利用小波变换本身的去噪特性抵抗原始医学图像中含有的噪声。通过图像自适应分块算法对原始图像进行分块训练,对不含任何纹理信息的黑色边框部分不进行训练,直接输出合并,减少算法的时间复杂度。从仿真实验发现:提出的算法在含有高斯白噪声的医学图像上表现出了更好的性能,不管是在客观评价指标上还是在主观视觉效果上都有了很大的提高。避免了图像超分辨率重构算法在放大图像的同时也会放大噪声的现象。并且训练网络模型的时间被缩短,能够快速的进行医学图像超分辨率重构任务。