磁共振成像（Magnetic Resonance Imaging,MRI）是用于人体组织器官成像的影像技术,由于其无电离辐射损伤、多参数成像且软组织成像对比度高,已迅速发展成为生物医学中一种重要的应用技术。空间分辨率是MRI关键成像参数之一。高分辨率MRI图像为人体器官和组织成像提供了丰富的结构信息,有利于临床医生精确诊断和后续的图像处理任务。然而,MRI图像的分辨率受到硬件配置、扫描时间、信噪比等多种因素的限制,空间分辨率的提高通常以降低信噪比或者增加扫描时间为代价的。因此,在合理的图像信噪比和MRI扫描时间前提下,提高MRI图像的分辨率是亟待解决的问题。一种高效的解决办法是将超分辨率重建技术应用在MRI图像上。超分辨率重建技术旨在从单个或一组低分辨率图像中提取图像特征信息,重建符合要求的高分辨率图像。其中,基于深度学习的超分辨率重建方法由于学习高分辨率图像细节的有效性,被广泛应用于MRI图像超分辨率重建任务中。本文针对MRI多层面成像技术中层厚较大,层面选择方向分辨率较低的问题,提出基于深度学习的3DMRI图像各向同性超分辨率重建研究,目的是提高低分辨率图像的层面间分辨率,减小图像部分容积效应,重建高分辨率各向同性3D-MRI图像。本文主要工作如下:（1）首先对多幅3D-MRI图像超分辨率重建进行研究与实现。目前,基于深度学习的3D-MRI图像超分辨率重建算法大部分都输入单幅图像进行重建,以提高层面内或层面间分辨率。多幅图像相对于单幅图像,具有更多的图像细节信息。基于此,本文在SRCNN-3D算法基础上,对其进行修改与扩展,提出多幅图像超分辨率重建网络模型MISRnet。MISRnet使用端到端的架构,利用多个正交MRI厚层扫描中的各向异性体素信息,重建各向同性高分辨率图像,实验结果表明输入三幅正交的MRI扫描图像进行训练的网络比仅仅使用一个或者两个MRI扫描图像训练的网络具有更好的性能。（2）在多幅3D-MRI图像超分辨率重建研究的基础上,提出基于RMISRnet的3D-MRI图像各向同性超分辨率重建。RMISRnet采用残差学习,使图像特征信息和梯度信息跨层次传播,有利于网络训练和收敛,同时充分提取三幅正交低分辨率图像特征,使重建图像具有更多的高频信息。将RMISRnet网络重建结果与其他超分辨率重建算法结果进行对比和分析,实验结果表明RMISRnet重建正常的3DMRI图像和病理3D-MRI图像均具有较好的结果,重建性能上优于其他重建算法。在大尺度超分辨率重建时,重建图像仍然具有较好边缘信息和高频细节,具有较好的鲁棒性。