磁共振（Magnetic Resonance,MR）图像能够展现人体内部组织结构,协助医生发现病变位置。但由于磁共振成像（Magnetic Resonance Imaging,MRI）技术的限制,导致MR图像含有大量Rician噪声。噪声影响MR图像质量,严重时可能会模糊病变部位,造成医生对病情的漏诊和误诊。医学图像在目标分割时需要借助组织结构轮廓等细节信息,噪声使得细节信息丢失,导致分割准确率下降。本文针对MR图像所含Rician噪声提出两种去噪算法,解决实际MR图像含噪和分割准确率提升受限的问题。主要研究内容如下:（1）结合方差稳定变换和PGPD的MR图像去噪算法研究MR图像所含噪声呈Rician分布,噪声与信号之间存在较强依赖关系。PGPD（Patch Group Based Prior Learning Denoising）算法作为传统去噪算法代表,可以很好的抑制高斯噪声。但将PGPD算法用于MR图像Rician噪声去除,未能取得理想效果。因此提出一种新去噪算法VST-PGPD（Variance Stable Transformation-Patch Group Based Prior Learning Denoising）。通过方差稳定变换将Rician噪声转变为近似服从高斯分布的噪声,在变换域中使用PGPD算法去噪,重构无噪图像。通过同一组织不同切片和不同组织的MR图像去噪实验,与PGPD算法做对比,得出VST-PGPD算法能够有效去除MR图像所含Rician噪声,获得更高的峰值信噪比（PSNR）和结构相似性（SSIM）。（2）基于FFDnet网络的MR图像去噪算法研究对于数字图像去噪,深度学习算法表现优于传统算法,但研究对象多以高斯噪声为主,用于MR图像Rician噪声去除的研究较少。为此以FFDnet（Fast and Flexible Solution for CNN）网络为基础,提出一种新去噪算法MFFD（MR image denoising based on FFDnet）。从IXI dataset中获取实际MR图像,通过修改噪声类型,利用深度学习网络训练不同Rician噪声水平的去噪模型,设置不同网络层数,寻找MR图像Rician噪声去除的最佳结构。对比BM3D、RED-WGAN和Mc Dn CNN算法的去噪结果,在含有混合噪声的MR图像和实际MR图像上进行实验,验证MFFD算法的有效性和鲁棒性。（3）MR图像所含噪声对前列腺目标分割的影响实际MR图像所含噪声强度和类型未知,对图像目标分割影响程度难以评估,因此引入MR图像前列腺目标分割实验。采用PROMISE12挑战赛公开的数据集,以U-Net网络为分割工具,Dice系数（DSC）和召回率（Recall）为评价指标。通过实际MR图像与MFFD算法盲去噪后所得图像的分割结果,研究实际噪声对前列腺目标分割的影响。对比叠加不同等级Rician噪声的MR图像使用MFFD算法去噪前后的分割结果,研究叠加噪声对前列腺目标分割的影响。通过上述实验,验证MFFD算法能够有效去除MR图像所含噪声,提高目标分割准确率。