医学成像技术为无创诊断创造了机会,是医学领域的研究热点,其涉及的医学影像处理技术主要包括图像形成过程与图像计算过程。在形成过程中,压缩感知磁共振成像(CS-MRI)允许以远低于尼奎斯特标准的采样率进行采样,从而加速数据采集过程,重构算法的目标是从稀疏的观测数据中重建出无伪影的全采图像;在图像计算过程中,可变形配准是一项极具挑战性的任务,该任务将多个图像对齐到同一空间,对于病理结构演变的纵向分析等研究工作具有重要意义。重构与配准任务均可以抽象为典型的能量优化问题。为解决该类问题,传统方法致力于设计并优化含有特定物理先验的能量函数,但迭代的数值优化带来了昂贵的计算负荷与漫长的处理过程。深度学习方法通常对大量数据样本中的信息进行编码以直接学习输入到目标的映射,或者将深度模块嵌入到优化过程以加速计算。然而,由于依赖训练样本的选择并且缺乏领域知识的约束,这些可学习的机制无法保障处理结果的真实性,因此在复杂场景的真实应用中性能可能会明显下降。本文结合物理先验与可学习深度优化机制,分别提出基于混合先验的图像重构与配准算法。1)针对重构问题,本文提出了一个具有理论保证的CS-MRI重构框架,该框架将可学习的预测过程与能量优化过程融合,并嵌入误差检测机制以保障算法收敛性。考虑复杂的真实采集场景,本文进一步提出三个扩展模型,以实现噪声污染数据,复数形式数据与多线圈数据的重构。在基准数据集和原始采集数据上的大量实验表明,本文算法可以高效且可靠地收敛到问题最优解。2)针对可变形配准问题,本文提出了一种具有理论矫正的双向深度可变形配准算法,该算法将基于物理准则的正则化级联到可学习的深度估计过程中,以继承领域知识和数据信息的优点。两种不同配准场景下的实验表明本文范例比现有技术提供了更高效、精准且稳定的变形场估计。