La reconstrucción de imágenes de resonancia magnética (RM) y la superresolución son dos técnicas prominentes para restaurar imágenes de alta calidad a partir de datos de espacio k submuestreados o de baja resolución para acelerar la imagen de RM. Combinar la adquisición submuestreada y de baja resolución puede mejorar aún más el factor de aceleración. Los métodos existentes a menudo tratan las técnicas de reconstrucción de imágenes y superresolución por separado o las combinan secuencialmente para la recuperación de imágenes, lo que puede resultar en la propagación de errores y resultados subóptimos. En este trabajo, proponemos un nuevo marco para la reconstrucción conjunta de imágenes y superresolución, con el objetivo de recuperación eficiente de imágenes y permitir una rápida imagen. Específicamente, diseñamos un marco con un módulo de reconstrucción y un módulo de superresolución para formular el aprendizaje multitarea. El módulo de reconstrucción utiliza un enfoque de optimización basado en modelos, asegurando la fidelidad de los datos con los datos de espacio k adquiridos. Además, se emplea una transformación profunda de características espaciales para mejorar la transición de información entre los dos módulos, facilitando una mejor integración de la reconstrucción de imágenes y la superresolución. Las evaluaciones experimentales en dos conjuntos de datos demuestran que nuestro método propuesto puede proporcionar un rendimiento superior tanto cuantitativa como cualitativamente.