目前,CT影像技术被广泛应用于临床疾病筛查。CT影像中的X射线辐射会在人体内沉积,当沉积量超过人体耐受剂量时,会对人体带来危害。因此,降低CT辐射剂量刻不容缓。然而,辐射剂量的降低会导致CT成像质量的下降,进而影响医生对病情的诊断。为了在低剂量情况下获取更清晰的CT图像,本文将超分辨率重建方法应用到临床肺部CT影像中,通过该方法改善在低剂量下获取肺部CT图像的质量。近年来,在超分辨率重建技术中采用深度学习算法相比插值和重构算法可以获得更好的效果。本文以提高肺部CT图像的重建质量与重建速度为核心,针对基于深度学习的肺部CT图像超分辨率重建算法存在的问题展开研究,本文研究主要包括以下几个内容:针对卷积神经网络重建肺部CT图像清晰度不高的问题展开研究,提出了基于DCA的肺部CT图像超分辨率重建网络模型。该网络利用残差通道注意模块的卷积层关注低分辨率肺部CT图像的特征信息,同时通道注意机制能够提取通道的统计信息,最终将局部与全局信息相融合,进一步提高重建后的肺部CT图像质量。针对卷积神经网络运算速度慢的问题展开研究,提出了基于SCRes Net的肺部CT图像超分辨率重建网络模型。该网络特征提取模块中的跳跃连接残差网络可以有效地提取肺部CT中的低频与高频信息,重建模块中的亚像素卷积与重建卷积模块并联,不仅提高了肺部CT重建后清晰度,同时提升了网络的运算速度。针对卷积神经网络采用单一尺度训练的问题展开研究,提出了基于LPRN的肺部CT图像超分辨率重建网络模型。该网络将原SRRes Net网络进行并联,并去掉SRRes Net残差模块中的BN层,通过该残差块之间的密集串连接,将该残差块之间图像的特征信息进行深层融合,增强网络对图像特征的感知。综上所述,本文从美国肿瘤基因组图谱（TCGA）的肺癌CT影像数据中选取肺部、肺尖、主动脉进行实验。实验表明,本文提出的三种重建算法分别解决了肺部CT图像重建后质量不高、网络运算速度慢与单一尺度训练的问题。以上研究内容对肺部CT图像的成像具有一定的推动作用。