高质量的高分辨率（HR）磁共振（MR）图像能够提供更丰富的细节信息，有助于实现可靠诊断与定量图像分析。深度卷积神经网络（CNN）在低分辨率（LR）MR图像的超分辨率（SR）重建任务中展现出显著潜力。然而，典型的LR MR图像通常具有某些共同的视觉特征：重复性模式、结构相对简单以及背景信息较少。现有大多数基于CNN的SR方法对输入图像的空间像素（包括背景区域）进行同等处理，未能充分捕捉输入图像的整体空间结构信息，而这一点对于实现高质量MR图像超分辨率至关重要。为解决上述问题，本文提出一种新型网络结构——压缩与激励推理注意力网络（Squeeze and Excitation Reasoning Attention Networks, SERAN），以实现更精准的MR图像超分辨率重建。我们首先从输入图像的全局空间信息中提取注意力，生成全局描述符。这些全局描述符增强了网络对MR图像中更具信息量区域与结构的关注能力。在此基础上，我们进一步构建全局描述符之间的关联关系，提出原始关系推理注意力机制，以挖掘深层语义关联。随后，通过学习到的注意力机制对全局描述符进行精细化调整。为充分融合所聚合的多尺度信息，我们引入自适应重校准机制，利用学习得到的自适应注意力向量动态调节特征响应。这些注意力向量能够自适应地选择部分全局描述符，用于补充每个空间位置的特征表示，从而实现更精确的细节与纹理重建。此外，我们还设计了带有残差缩放的压缩与激励注意力机制，不仅提升了训练过程的稳定性，还具备良好的可扩展性，可灵活适配多种基础网络架构。大量实验结果表明，所提出的SERAN方法在多个基准数据集上均显著优于当前最先进的超分辨率方法，无论在定量指标（如PSNR、SSIM）还是定性视觉效果方面均展现出优越性能，充分验证了该方法的有效性与先进性。