近期研究显示，神经微分方程（Neural Ordinary Differential Equations, ODEs）可通过连续归一化流（Continuous Normalizing Flows, CNFs）的视角，作为图像的生成模型。这类模型能够实现精确的似然计算，并支持可逆的生成过程与密度估计。在本工作中，我们提出了一种多分辨率版本的此类模型（MRCNF），其核心思想是通过建模生成精细图像所需附加信息的条件分布，以确保精细图像与粗略图像之间的一致性。我们引入了一种分辨率之间的变换机制，该机制在变换过程中保持对数似然值不变。实验结果表明，该方法在多个图像数据集上取得了与现有方法相当的似然性能，尤其在高分辨率下表现更优，且模型参数更少，仅需单张GPU即可完成训练。此外，我们还系统研究了（多分辨率）连续归一化流的分布外（out-of-distribution）检测能力，发现其行为与其他基于似然的生成模型相似。