核磁共振（Nuclear Magnetic Resonance,NMR）现象自上世纪发现以来,在分析化学、生命科学以及医学诊断领域受到了广泛应用。目前磁共振最常见的应用场景分别是成像和波谱。磁共振成像是一种非侵入、无电离辐射的临床成像手段,能获得多对比度的图像,在临床诊断中发挥了重要作用。磁共振波谱是一种常用的化学、代谢组学分析手段,能提供丰富的化学结构和代谢动力学信息。近年来,深度学习方法被成功应用于计算机视觉与自然语言处理等领域,取得了突破性进展。在磁共振领域,深度学习在图像加速重建、运动伪影校正、超分辨率、波谱加速重建和去噪等方面取得了比传统方法更快更好的性能。本文基于快速、高分辨、自动化的磁共振数据处理需求,采用深度学习方法针对磁共振成像的加速重建和磁共振波谱相位失真校正这两个具体问题开展了研究,具体研究内容如下:第一,针对磁共振图像重建,提出了一种基于图像域+K空间的深度学习重建模型:双域稠密连接网络（Dual Domain Dense Network,Triple-D network）,在原有单纯图像域重建模型的基础上,将单域模型扩展为双域模型,并结合稠密连接、残差K空间模型、通道注意力机制和多监督损失等策略,解决了中间预测结果丢失、K空间分布不均、特征筛选机制缺失和监督信息缺失等问题,进一步提高了图像重建效果。与其他重建算法相比,提出的方法具有更少的参数量和更高的重建指标,可为多模态MRI图像重建提供更加高效、准确的处理方法。第二,提出了一种基于小波变换的细节加强型磁共振图像重建模型:深度级联小波网络（Deep Cascade Wavelet Network,DCWN）,针对临床前应用需要更高分辨率图像的实际需求,将小波变换作为细节增强的手段嵌入级联神经网络中,在减少重建时间的同时提高了图像的细节刻画能力,可以观察到更清晰的胼胝体等组织,能够为临床前诊断提供更加丰富的参考信息。第三,针对磁共振波谱采集过程中出现的相位失真情况,利用同类代谢产物谱和相位差之间的相似性,提出两种基于深度学习的相位校正方法,分别建立未校正波谱到手工校正波谱及相位的映射关系,即建立“谱到谱”和“谱到相位”模型。同时使用不同种类的代谢产物进行训练,其预测结果与传统相位搜索方法相比,本文的模型对复杂代谢产物波谱的校正性能上具有更高的准确度。此外,通过进一步扩大相位范围、混合数据集、增加干扰等一系列实验,采用本文提出的方法同样可获得误差更小的高分辨谱图,表明“谱到相位”的处理方法鲁棒性高、适用性强。最后,采用谱到相位的校正方法,获取了大鼠不同脑区提取物的校正波谱,并结合不同的机器学习算法对不同脑区波谱进行了分类,确定了不同脑区的主要代谢产物的差异,进一步验证了谱到相位模型的处理方法在代谢组学研究中的优越性,可为准确识别脑区代谢产物、深入研究脑代谢组学提供了一种高效、快速的分析方法。