如今,随着经济水平的提高,冠心病和肝病发病率呈逐年上升趋势,极大地影响着人们的生活质量。磁共振成像（Magnetic Resonance Imaging,MRI）是辅助诊断的一种常见技术,因其具有无创、高分辨率和无辐射等特点得到了广泛的应用。在成像过程中,长时间的扫描以及设备硬件的限制会对患者造成不适,而图像的伪影也会影响医生诊断的准确性。同时,医学图像分割技术花费医生大量的时间和精力,并且要求医生拥有很高的专业知识以及丰富的实践经验。不仅如此,大多数的医学图像分割技术都要求在高质量的重建结果下进行,这也使得整个医学处理过程变得十分繁琐。近些年来,国内外出现了很多针对MRI重建技术和分割技术的研究,但大多数研究者从单个任务进行分析,而没有考虑多个任务之间的相关性。因此,如何通过多任务学习实现医学图像重建和分割成为了当下研究热点。针对上述的分析,本研究将多任务学习引入到MRI图像重建和图像分割技术,主要研究工作内容如下:（1）为了更好地简化医学图像流程,本文提出一种基于多任务学习图像重建和病灶分割技术。与单任务相比较,多任务可以很好地保证实现多个任务的同时能够利用不同任务之间的互补信息。首先,为了能在分割任务中更好地使用高质量的重建结果,在重建网络输出部分加入了数据一致项;其次,本文采用混合损失函数对提出的模型进行优化;保证在模型训练中不断调整参数;最后,本文通过串行的方式将多种任务的特征信息进行融合。其中,使用健康受试者和患者的肝脏、肾脏数据进行实验分析,将健康受试者数据用于神经网络的训练和测试,患者数据仅用于测试。大量的实验结果表明,与现有的单任务方法相比较,提出的方法能够更好地恢复重建和分割结果,这在临床研究中有着重要的应用前景。（2）虽然医学图像分割技术在深度学习中取得了最先进的表现,但由于深度学习的训练依靠大量的标记数据才能完成,因此其进一步的发展受到一定的限制。为了缓解标记数据不足的问题,本文提出一种基于自适应特征聚合的半监督学习方法。首先,该方法采用多任务的方式为分割任务提供更为可靠的信息。具体来说,它充分利用重建任务从原始图像中捕获到的有益信息来辅助分割任务。其次,为了有效地利用未标记数据,在多个任务中采用双重不确定性估计来指导网络更好的学习。最后,考虑到两个任务之间存在相关性的信息,本文设计一种自适应特征聚合策略,该策略传递有用的特征,过滤掉无用的信息。大量实验结果表明,提出的模型明显优于其他先进的半监督医学图像分割算法。