磁共振成像(Magnetic Resonance Imaging,MRI)可以通过设置不同的成像参数对病人的同一组织、同一部位进行多次采集得到多对比度图像。不同对比度图像之间是高度相关的,能够提供互补信息,因此在临床诊断和决策中起着至关重要的作用。然而由于多个对比度图像需要分别采集,故其最大的局限性在于成像时间较长。在多对比度磁共振成像领域,传统的基于压缩感知(Compressed Sensing,CS)的磁共振成像算法(CS-MRI)主要采用联合总变分(Joint Total Variation,JTV)和组小波稀疏性(Group wavelet sparsity)来利用多对比度图像之间的相关性进行重建,并试图消除欠采样所带来的伪影。但是大多数传统方法存在以下局限性:1)其每个对比度图像单独重建,考虑到的先验知识较少;2)涉及到大量复杂的操作,计算要求性高。虽然深度学习理论的出现为多对比度磁共振成像提供了新的思路,不过现有的基于深度学习的多对比度磁共振成像方法仍然较少,对于噪声扰动也比较敏感,且当采样模式或加速倍数发生改变时,网络需要重新训练,复杂而繁琐。因此本课题结合传统CS-MRI数学模型与数据驱动深度学习网络的优点,提出了基于去噪自编码先验的多噪声模型,在少量数据(相比深度学习的海量数据)的训练下将其成功应用到多对比度磁共振图像去噪和快速精确的多对比度磁共振图像重建。主要研究成果包括:(1)我们提出了增强型去噪自编码器,基于多种噪声等级模型的多对比度磁共振图像去噪任务验证了网络的可行性与有效性。(2)提出了在不同噪声等级下带有重加权策略的多模型结构,既能够关注训练数据的粗粒度特征,也可以捕获包括边缘和组织结构等细粒度特征,同时平衡两者相互间的影响。(3)基于多噪声模型的多对比度磁共振图像重建,采用深度卷积神经网络(convolutional neural network,CNN)作为基础,并嵌入传统的迭代算法提升网络的鲁棒性和泛化能力。此外,在采样模式和加速倍数发生改变时都只需一个模型,大大节省了训练时间,相比于其他对比算法,也取得了更好的效果。综上所述,本文围绕带重加权的多噪声模型的构建,在基于多对比度磁共振图像去噪的研究基础上,嵌入传统的迭代算法对网络进行改进,大大提升了网络的鲁棒性和泛化性并取得了比其他对比算法更好的磁共振图像质量。