磁共振成像（Magnetic Resonance Imaging,MRI）是一种可以准确显示物体内部组织结构的成像技术,然而大部分MRI方法仅使用幅值与相位数据中的部分信息,造成了不必要的信息浪费。除此之外,传统的MRI后处理方法需要人工设计特征提取规则,不仅流程复杂而且不能有效提取特征。近年来,卷积神经网络凭借其自动学习图像特征的独特优势在图像处理领域取得巨大成功。受此启发,为获得组织结构更加全面、准确的描述,本文基于幅值与相位数据,对用于磁共振图像融合与磁化率图像重建的卷积神经网络进行相关研究,主要工作分为以下两个部分:本文对分别来自幅值与相位数据的幅值图与场图进行图像融合以充分利用数据中的有效信息并减少图像的冗余度。为提升融合系统鲁棒性,我们首先使用伪影抑制网络对待融合图像中的伪影进行判断与抑制。然后设计权值预测网络对两幅图像中对应区域的梯度进行判别,其中纹理丰富的区域将被分配较大的融合权值并记录在权值预测图中。最后在权值预测图的指导下,设计融合网络对输入图像进行特征级融合。与其它方法相比,该方法的融合结果含有更多有效信息,不仅有良好的视觉效果,并且在多个客观评价指标上取得领先。定量磁化率成像是一种从磁共振相位数据中重建磁化率图像的新型后处理技术。为解决重建过程中的病态逆问题,本文使用空间自适应网络直接学习场图到磁化率图像之间的映射。空间自适应网络通过Inception模块与多尺度编码层的组合提升了特征提取能力,使用通道权值辅助网络进行特征选择,使用空间自适应模块融合幅值图信息以提升重建准确度。与其他方法相比,空间自适应网络充分利用了幅值与相位数据中的信息,不仅在健康人脑、血肿人脑、模拟人脑数据上重建出更加准确的磁化率图像,还具有良好的训练稳定性。本文研究表明,卷积神经网络在基于幅值与相位数据的磁共振图像融合与磁化率图像重建上具有独特优势。通过合理的网络设计,我们可以有效利用幅值与相位数据中的信息,为医生提供更加全面、准确的组织结构描述。