定量磁共振成像(magnetic resonance imaging,MRI)对临床诊断和科学研究都具有重要价值。然而,目前大多数MRI仍然是定性的,尤其是动态磁共振成像。由于定量磁共振成像需要重复采集不同参数加权的磁共振图像,因此定量磁共振成像十分耗时且对运动伪影极其敏感。压缩感知(compressed sensing,CS)和并行成像作为加速磁共振成像信号采集的主流技术已经被运用于定量磁共振成像。压缩感知加速磁共振成像是通过下采样MRI数据,并利用图像稀疏性重建完整信息,并行成像则是利用相控阵列线圈的线圈灵敏度地图。然而,对于定量磁共振成像,压缩感知和并行成像通常受限于为了产生足够对比度信息而需要较长的演化时间,导致在动态成像中很难实现。最近提出的基于重叠回波分离(overlapping-echo detachment,OLED)平面成像方法能够在单次扫描中获得多个具有不同参数加权的回波信号,已经成功应用于单扫描磁共振定量T2成像和扩散成像。不同于压缩感知,OLED方法加速MRI采集是通过在单次扫描中同时获得在k空间相互重叠的两个信号,然后基于结构相似度和稀疏先验的最优化信号分离算法进行重建,或直接利用深度神经网络(deep neural network,DNN)实现端到端映射重建。本文扩展了 OLED方法,提出了多重叠回波采集(MOLED)方法以及相应的基于深度神经网络的重建算法,并成功应用于定量磁共振T2成像和多参数成像。本论文主要包括以下三个部分:一、首先,简要介绍了定量T2成像原理以及常规定量T2成像方法。然后,详细介绍了 OLED成像序列、成像原理、卷积神经网络以及两种重建算法,包括OLED成像序列中各个脉冲和梯度、重叠回波在k空间的表现形式、卷积神经网络的结构与原理、基于结构相似度和稀疏先验的最优化回波信号分离算法以及基于深度神经网络的端到端重建算法。二、提出了基于MOLED的单扫描定量磁共振T2成像序列及其对应的基于深度神经网络的重建算法。定量T2成像在临床上具有极大的应用价值,如帕金森症的早期诊断和小脑皮质研究等。我们利用MOLED序列,在单次扫描中获得了多个具有不同T2加权的回波信号,并通过深度神经网络实现了从MOLED图像到T2图像的端到端重建。实验结果证明该方法不仅能获得较以前方法更加可靠的定量T2图像,并且对不均匀B1场也具有较强的鲁棒性。三、提出了基于MOLED的单扫描多参数磁共振成像序列及其对应的基于深度神经网络的重建算法。该方法能够在单次扫描中获得两个具有多个回波信号的k空间数据。通过合适的重建方法,能够同时得到T2图像和质子密度图像。模拟和模型实验结果证明了该方法的可行性。