定量髓鞘水成像（Myelin Water Imaging,MWI）通过磁共振成像（Magnetic Resonance Imaging,MRI）方法得到髓鞘水分数（Myelin Water Fraction,MWF）,在神经和精神疾病的诊断和研究中具有重要的价值。然而,传统的基于多回波梯度回波序列（multiple Gradient Recalled Echo,mGRE）的MWF计算过程通常需要耗费大量的计算时间,并且计算结果对图像噪声相当敏感。另外,传统的MWF计算过程还会受到主磁场（B0）的不均匀性影响。因此,迫切需要提高基于mGRE数据估算MWF的准确性和计算效率。本文针对提升基于mGRE序列的MWF定量测量的时效性、稳定性和准确性展开了如下三方面的研究:（1）深度人工神经网络计算髓鞘水分数针对提升基于高分辨mGRE序列的MWF定量测量的时效性问题,本文设计了一个拥有6个隐藏层的人工神经网络（Artificial Neural Network,ANN-MWF）,该ANN-MWF基于T2*衰减数据的幅值部分拟合髓鞘水分数。研究显示,ANN-MWF获得的结果与参考方法的结果接近,并且有效地降低了获取MWF图像所需要的计算时间,即将MWF图像的计算时间从常规的4.5小时降低至秒级,使得同步获取MWF图像成为现实。（2）三维残差降噪网络对高分辨髓鞘水分数计算的提升为了提升MWF定量测量的稳定性与准确性,本文应用多通道降噪卷积神经网（Multichannel version of the Denoising Convolutional Neural Networks,MCDn CNN）降低图像噪声以减少在MWF定量测量过程中引入更多偏差的可能性。本文提出了针对mGRE数据集的噪声级概念,并根据噪声级训练特定噪声级的降噪神经网络。研究结果表明,特定噪声级的数据经过与之对应的特定噪声级的MCDn CNN降噪后显著地提升了MWF定量测量的准确性与稳定性。（3）对抗生成网络生成髓鞘水分数为了使MWF摆脱髓鞘水成像专用序列的限制,本文设计了一个可以从T1加权像直接估算髓鞘水分数的对抗生成网络（Adversarial Generative Network of MWF,MWFGAN）。研究结果显示,由MWFGAN获取的MWF在图像质量以及测量准确性上都要优于传统的拟合模型。此外,由B0场不均匀性导致的结构缺失问题在使用MWFGAN时得到有效纠正,这对于MWF图像质量的提升尤其明显。总之,本文的研究利用ANN-MWF、MCDn CNN以及MWFGAN这三个神经网络分别实现了实时获取MWF图像、提升MWF值的准确性以及从T1加权像中获取MWF图像的目的。本文结果展示了神经网络在基于mGRE序列采集的T2*衰减信号的MWF定量测量中的优越性能。