目的  探讨基于深度学习（DL）的三维（3D）超分辨率（SR）重建MRI影像组学模型在术前预测乳腺癌T分期中的可行性与效能。方法  本研究回顾性纳入1412例符合标准的乳腺癌患者，训练队列（n=1130）和验证队列（n=282）。应用深度迁移学习网络生成术前超分辨率T2WI（SRT2WI）。分别基于人工分割的HRT2WI和SRT2WI图像中的肿瘤体积感兴趣区（VOI），提取高维定量影像组学特征，构建预测模型（Model-HRT2和Model-SRT2）。通过受试者工作特征曲线（ROC）、校准曲线和决策曲线分析（DCA）评估模型的区分能力、校准度和临床实用性。结果  SRT2模型显著优于HRT2模型：Model-SRT2在独立验证队列中展现出卓越的T分期预测性能：AUC达0.896（95%CI: 0.856-0.936），显著高于Model-HRT2的0.823（95%CI: 0.774-0.872），差异具有统计学意义（DeLong检验, p=0.0013）。Model-SRT2的敏感度、特异性、准确度分别为72.4%、92.2%、87.3%，均优于Model-HRT2（88.4%、72.3%、79.3%），所有指标比较p值均<0.05。影像组学模型显著优于人工评估：两名影像组学模型的AUC（Model-SRT2: 0.896; Model-HRT2: 0.823）均显著超越放射科医师视觉评估的AUC（0.698, 95%CI: 0.595-0.775; p<0.001），表明AI模型在客观量化分析上的优势。校准曲线显示模型具有良好的拟合优度，决策曲线分析证实其具有临床实用价值。结论  基于深度学习的SR重建MRI影像组学模型（Model-SRT2）在术前预测乳腺癌T分期方面展现出优异的性能，显著优于基于标准分辨率图像的模型（Model-HRT2）以及放射科医师的视觉评估。