三维磁共振成像（3-Dimensional Magnetic Resonance Imaging,3D-MRI）是一种常见的医学成像技术,可以应用于全身各系统的疾病诊断,在医疗领域具有重要应用价值。目前,三维磁共振成像技术的主要不足在于它扫描成像所需的时间较长,检查耗时,因此对于患者来说,不仅扫描时难以在幽闭空间内长时间保持静止状态,而且容易导致患者排队预约时间过长等问题。为了减少扫描成像所需时间,临床通常做法是加大扫描层厚,但同时会导致扫描的层数减少,继而会降低3D-MRI图像另外两个维度的分辨率,最终影响医生的诊断分析和对图像的后处理。因此,提高图像的分辨率是3D-MRI一直有待解决的课题。超分辨率（Super-resolution,SR）重建研究可有效解决上述问题,即根据低分辨率图像重建出满足要求的高分辨率图像。目前,有关3D-MRI图像SR重建的研究有一定的挑战性,往往重建图像质量不能达到预期理想效果,重建图像质量尚有较大提升空间。同时,部分SR重建方法还存在网络模型复杂、参数量巨大、硬件配置要求高以及图像质量评价方法不符合人类视觉感知机制等问题。因此,本研究针对目前3D-MRI图像SR重建领域中存在的问题,采用增强型生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）,结合3D-MRI图像跨层面自相似性特征,构建基于深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）的3D-MRI图像SR重建模型,对3D-MRI图像进行SR重建。该模型首先通过图像切片操作,将3D-MRI图像分别沿不同层面（横断面、冠状面以及矢状面）切片为二维磁共振图像（2D-MRI）;然后在各个层面内将2D-MRI图像SR重建出高分辨率2D-MRI图像;再由重建的高分辨率2D-MRI图像按原有的索引顺序恢复为3D-MRI图像;最后将从不同层面获取的高分辨率3D-MRI图像进行图像融合得到最终的高分辨率3D-MRI图像。通过该模型方法,将SR重建任务降至二维,既可以增加图像训练数据集,又可以减少模型参数量,从而降低内存需求,加快模型训练速度。实验采用公开的大脑临床真实数据Kirby21作为训练数据集,对上述提出的3D-MRI图像SR重建模型进行了训练;以含有胶质瘤的Bra TS数据集以及模拟数据Brainweb数据集作为测试数据集,对训练好的重建模型进行测试;对实验生成的3D-MRI图像进行了质量评价,采用图像SR重建领域中4个常用的客观评价指标（峰值信噪比、结构相似性、均方根误差和感知指数）进行了图像质量评价;实验还对重建结果进行了可视化展示;最后对比图像SR重建研究领域中的5种现有方法的重建结果,对实验结果做了定量分析和定性分析。通过与5种常见的SR重建方法的结果进行对比分析,本研究构建的模型能够取得较优的视觉感知效果,表明该模型具有一定的先进性和优越性。实验结果显示,该模型在感知指数评价上能够获得较优表现,与人类视觉感知机制基本符合。此外,该模型不仅对相同模态的3D-MRI图像SR重建效果优异,而且对不同模态3D-MRI图像的SR重建仍然表现出比较优异的性能。通过该模型的应用,可以有效提高3D-MRI图像重建后其余两维图像的分辨率,有利于医生对疾病的诊断分析以及对图像的后处理,有利于降低3D-MRI图像检查中的患者等待时间。因此,该SR重建模型在3D-MRI图像检查中具有较好的应用潜力。