1.一种时变体数据的空间超分辨率重建模型，其特征在于，包括依次连接的输入层、第一卷积层、基础模块、第一上采样模块、第二卷积层、第一InstanceNorm层、第一LeakyReLU激活函数层、第三卷积层、第一Sigmoid激活函数层、输出层，输入层用于输入低分辨率时变体数据，输出层用于输出重建高分辨率时变体数据；

基础模块包括N个依次连接的基础单元，相邻两基础单元之间创建有低分辨率体数据的跳跃连接以及高分辨率体数据的跳跃连接；

基础单元包括通道注意力层、空间注意力层、第二InstanceNorm层、第二上采样模块、下采样模块、第二LeakyReLU激活函数层，通道注意力层、空间注意力层、第二InstanceNorm层依次连接，第二上采样模块、下采样模块、第二InstanceNorm层依次连接，第二InstanceNorm层与第二LeakyReLU激活函数层连接。

2.根据权利要求1所述的一种时变体数据的空间超分辨率重建模型，其特征在于，所述第一上采样模块、第二上采样模块均包括至少一个放大体数据结构，放大体结构包括依次相连的第四卷积层、PixelShuffle层和第三LeakyReLU激活函数层。

3.根据权利要求1所述的一种时变体数据的空间超分辨率重建模型，其特征在于，所述下采样模块包括至少一个缩小体数据结构，缩小体数据结构包括相连的第五卷积层和第四LeakyReLU激活函数层。

4.根据权利要求1所述的一种时变体数据的空间超分辨率重建模型，其特征在于，基础单元的输入由三部分组成，分别为上一基础单元输出的体数据、上一基础单元中第二上采样模块产生的高分辨率体数据、上一基础单元中下采样模块产生的低分辨率体数据。

5.根据权利要求4所述的一种时变体数据的空间超分辨率重建模型，其特征在于，基础单元输出的体数据与该基础单元中下采样模块产生的低分辨率体数据建立有跳跃连接，并在连接后输入至下一基础单元中的第二上采样模块；

基础单元中第二上采样模块产生的高分辨率体数据与上一基础单元中第二上采样模块产生的高分辨率体数据建立有跳跃连接，并在连接后输入至该基础单元中的下采样模块。

6.一种时变体数据的空间超分辨率重建模型的训练方法，其特征在于，包括步骤：S1、用户自定义训练的周期数、RAdam优化器的相关参数和损失函数的相关参数；

S2、对原始高分辨率时变体数据进行预处理，以得到在通道维度上拼接后的原始低分辨率数据、在通道维度上拼接后的原始高分辨率数据，并将在通道维度上拼接后的原始低分辨率数据作为训练数据；

S3、将训练数据划分为训练集和验证集；

S4、将训练集打乱后抽取三个在时间步上连续的在通道维度上拼接后的原始低分辨率数据输入到权利要求1‑5任一项所述的空间超分辨率重建模型，并输出重建高分辨率数据；

S5、基于重建高分辨率数据、在通道维度上拼接后的原始高分辨率数据、损失函数计算损失值；

S6、基于损失值进行反向传播，超分辨率重建模型参数根据梯度下降算法进行优化，以完成当前训练周期；

S7、基于验证集对当前模型参数进行验证，若验证成功则保存当前周期的模型参数，若验证失败则返回步骤S4，直至达到用户自定义训练的周期数。

7.根据权利要求6所述的一种时变体数据的空间超分辨率重建模型的训练方法，其特征在于，步骤S2，包括以下步骤：S2.1、对原始高分辨率时变体数据进行归一化，以得到归一化时变体数据；

S2.2、根据超分辨率重建倍数、归一化时变体数据大小和归一化时变体数据数量自定义体数据随机裁剪倍数和下采样倍数；

S2.3、选取三个在时间步上连续的归一化时变体数据作为一组，并根据数据随机裁剪倍数对三个归一化时变体数据在同一位置进行随机裁剪；

S2.4、根据下采样倍数，对裁剪好的三个归一化时变体数据使用三次三线性插值法进行下采样，以得到连续的原始低分辨率数据；

S2.5、将连续的原始低分辨率数据以及与其相应的连续的归一化时变体数据分别在通道维度上进行拼接，以得到在通道维度上拼接后的原始低分辨率数据、在通道维度上拼接后的原始高分辨率数据。

8.根据权利要求6所述的一种时变体数据的空间超分辨率重建模型的训练方法，其特征在于，步骤S5中，损失值包括内容损失值、结构损失值、感知损失值。

9.根据权利要求8所述的一种时变体数据的空间超分辨率重建模型的训练方法，其特征在于，内容损失值为重建高分辨率数据与相应在通道维度上拼接后的原始高分辨率数据之间的均方误差值；

结构损失值为重建高分辨率数据与相应在通道维度上拼接后的原始高分辨率数据之间的结构相似性指标；

感知损失值为利用卷积网络分别提取重建高分辨率数据与在通道维度上拼接后的原始高分辨率数据之间的高维特征，并通过计算两者的均方误差得到。

10.根据权利要求8所述的一种时变体数据的空间超分辨率重建模型的训练方法，其特征在于，损失函数的公式为：Ltotal＝λ1Lcontent+λ2Lstructure+λ3Lperception，其中，Lcontent为内容损失值，Lstructure为结构损失值，Lperception为感知损失值，λ1、λ2、λ3由用户自定义，用于调节相应损失值大小。