超声成像因其无创、方便、快捷的特点被广泛用于临床诊断。但是由于其成像特点导致图像对比度低、存在多种伪影以及噪声干扰,对医生的临床经验有着较高的要求。因此利用图像超分辨率技术改善超声图像质量具有重要的临床意义。相比于自然场景图像,超声图像缺少成对的高、低分辨率图像数据集,使得重建任务更具挑战性。本文针对超声图像的特点,采用生成对抗网络（Generative Adversarial Networks,GAN）和无监督学习的方法对超声图像的超分辨率重建问题进行了深入研究,在公开数据集US-CASE和CCA-US,以及青岛大学附属医院积累的数据集上进行了大量的实验,获得了良好的效果。本文首先深入分析了两阶段生成对抗网络（Two-Stage GAN）和无监督学习模型ZSSR（"Zero-Shot"Super-Resolution）,在此基础上提出了两阶段超声图像超分辨循环生成对抗网络模型（Two-Stage ZSSR Cycle GAN）,该模型对Two-Stage GAN进行了以下三点改进:1)将Two-Stage GAN网络模型的GAN网络修改为基于ZSSR模型的Cycle GAN网络,利用超声图像自身信息进行超分辨率重建,使得模型更符合超声图像缺少真实高分辨率图像（Ground-Truth）的特点;2)基于多尺度生成器对GAN网络的生成器进行优化,从输入图像中提取多尺度特征,通过不同尺度的解码器重建不同尺度下的超分辨率（SuperResolution SR）图像;3)采用循环一致性损失,充分利用低分辨率-高分辨率-低分辨率（LR–HR–LR）和高分辨率-低分辨率-高分辨率（HR–LR–HR）的循环一致性损失,以鉴别器的对抗性来促进生成器产生感知一致的超分辨率结果。接着对Two-Stage GAN第一阶段级联的U-NET网络结构进行优化,通过引入残差子结构和注意力机制,在横向加深网络的同时避免空间信息的丢失,利用图像上下文信息提取更多低频信息,提升视觉重建效果。最后在私有数据集以及两个公开数据集上进行了大量实验,验证改进策略的合理性和有效性。基于研究成果,设计并实现了超声图像超分辨率重建原型系统,实现对用户上传的超声图像进行实时超分辨率重建。