参数估计方法在许多研究工作和实际中都有着广泛的应用。传统算法在解决参数估计问题时一般从信号的子空间或者其他变换域上进行特征提取,而本文基于神经网络提出一种以简单直接的思路解决参数估计问题的算法,并应用于不同类型的信号参数估计任务上。本文提出的网络算法使用单样本训练方式,不需要给网络提供理想信号作为标签数据。算法设计的网络框架类似自编码机结构,不过区别于典型的自编码机网络结构,本文将解码子网络替换为已知的信号模型。算法中待训练的神经网络结构作用是生成待估计的参数,并通过已知信号模型生成重建信号。本文尝试通过轻量级网络结构深入剖析神经网络算法在解决非凸优化问题上的作用原理,辅助算法成功的因素以及可能会导致算法失败的因素等。本文将提出的网络算法成功地应用于磁共振波谱信号（复指数信号模型）,扩散序谱信号（指数衰减信号模型）的参数估计任务中,算法不仅在仿真信号上有杰出的表现,在实际采集的信号同样能有效计算出准确的参数值。本文的实验内容包括非均匀采样、均匀全采样的无衰减、带衰减复指数信号的参数估计,即使信号中包含谱峰间距很小（低于傅里叶变换谱物理分辨率）的频率成分,算法依旧可以输出高精度的参数估计值。除此之外,通过改变网络算法中的已知信号模型,算法也成功地估计出实际采集的不同实验样本的扩散序谱信号的扩散系数值,证明其具备实际应用价值。本文中不同实验部分的对比算法虽然在特定的应用场景中可以达到很好的效果,但在其他应用场景中相对受限。本文提出的网络算法能够在诸多不同的应用场景中表现出良好的参数估计效果,虽然在性能上无法完全超越其他典型的对比算法,但是本文提出的网络算法灵活性和延展性都优于其他的算法,在不同条件下的参数估计任务中表现出更好的适用性。