作为非侵入并能够提供多种图像对比度的断层成像手段,磁共振成像(MRI)是临床医学中不可或缺的影像方法之一。定量磁化率成像(QSM)是一种利用MRI相位图计算组织磁化率分布的新型对比成像方法,能够估计钙化、体内铁含量和静脉血氧饱和度的变化,为许多重大疾病的诊断提供信息。原始MRI相位图需要经过相位解卷褶、背景场去除和磁偶极子反卷积等复杂的重建流程,才能获得定量磁化率图像。其中,从局域场图反卷积磁化率图像是定量磁化率图像重建的关键问题。由于k空间中磁偶极子魔角的存在,磁化率图像重建是一个病态逆问题。目前,解决该问题的方法有多方位采集、单方位贝叶斯与非贝叶斯算法等,但都存在一定的局限性。本文尝试利用深度学习,特别是卷积神经网络(CNN),解决QSM图像重建中的磁偶极子反演的病态反问题。主要内容包括:首先,本文提出基于CNN伪影去除的磁偶极子反演模型,方法结合了k空间阈值除法和图像域CNN伪影去除来克服病态性。我们用基于模拟与真实数据的实验证明了我们的算法可以重建出高质量的QSM图像。其次,在所提出的CNN伪影去除的反演模型的基础上,进一步提出了基于CNN图像先验的k空间融合算法。算法综合贝叶斯正则化框架、k空间分区域滤波和CNN伪影去除。实验结果表明,无论在视觉还是统计指标上,我们的算法优于主流模型,同时在重建速度上也有优势。