在脑成像领域,扩散张量成像(Diffusion Tensor Imaging,DTI)能提供脑白质信息,可用于探究脑区组织结构变化,但其缺乏区分白质和灰质微结构的特异性。随着医学成像技术的发展,能估计微结构特异性的多隔室模型出现,神经突方向分散和密度成像(NODDI)模型是最流行的估计脑组织微结构的多隔室模型方法。但NODDI模型准确估计脑组织微结构需要大量扩散梯度,同时通过最大似然拟合,计算复杂消耗时间长,使其无法在临床中普遍应用。为此,首先本文提出一种高效的残差网络微结构参数拟合方法,此方法以数据驱动的方式,替代传统近端梯度法参数更新步骤,来解决凸优化问题,实现参数的拟合,以均方根误差、结构相似度、峰值信噪比为评价指标,分别在仿真数据和真实数据中比较了方法优劣。然后,针对网络方法对数据的依赖性,而有时数据的采集比较耗时且获取困难的问题,以多动症(ADHD)数据为研究对象,尝试使用迁移学习的方法,以放松网络对数据的限制。最后,为验证本文提出方法在实际应用中的可行性,采用扩散张量成像方法和微结构方法(包括NODDI模型、AMICO模型和本文方法)对ADHD数据进行处理,并进行TBSS分析,即比较了三种微结构模型用于单壳DTI数据提取方向分布OD值统计分析结果的优劣,又加深对ADHD疾病的研究。由于单壳DTI数据是非高角度分辨率的,无法描述复杂神经纤维走向,难以分析组织方向分布的变化,本文采用微结构的方法,克服了该困难,是首次将微结构方法应用于单壳数据。最终实验的结果为:在神经网络微结构参数拟合方面,以不同信噪比和不同梯度仿真数据作为实验数据,提出的方法综合性能优于NODDI和AMICO方法;以真实人类连接组数据作为实验数据,在不同梯度下,所提出方法优于NODDI和AMICO方法,打破了梯度的限制,这对于数据的采集和后期处理都有重要意义;在应用迁移学习方面,在不影响成像结果的情况下,减少了对训练数据的需求及训练时间;在实际应用中,本文方法用时较少,且和用NODDI方法得到的有统计学意义的脑区相同,包括:胼胝体体部、左侧和右侧上纵束、左侧和右侧外囊、右侧内囊后凸部。用AMICO有统计意义的脑区只有三个,包括:胼胝体体部、右侧外囊、右侧内囊后凸部,可见其不适用于单壳DTI数据。同时扩散张量技术所提取的FA、AD、MD和RD值存在统计学意义的脑区并不包括左侧外囊和右侧上纵束,可见在脑神经性疾病研究中,微结构方法能够对扩散张量成像方法进行补充。