心肌纤维结构与心脏功能密切相关,研究心肌结构对解释各种心血管疾病的成因和早期诊断具有重要的理论意义和临床价值。目前,磁共振扩散成像技术（d MRI）是唯一可以无损伤无辐射的检测活体心肌纤维组织结构的主要方法,但是该成像技术对运动信息特别敏感。在采集过程中,人体的自由呼吸、心脏的周期跳动和器官的生理运动都会降低扩散加权图像（Diffusion Weight Image,DWI）的信噪比以及引起DWI的信号损失,导致无法精确重建扩散张量图像（Diffusion Tensor Image,DTI）,从而对测量人活体心脏的微观组织结构特性造成严重影响。鉴于深度学习在图像复原和图像重建领域的研究优势,本论文拟根据DWI图像特点,设计深度学习模型,弥补运动引起的信号损失,进而为从DTI中准确分析心肌纤维结构提供一种辅助手段,具体工作如下:（1）基于多次采集的舒张末期活体心脏DWI数据,设计了一种无监督的密集编码器解码器融合（Dense Encoder-Fusion-Decoder network,DEFD-net）网络结构,实现DWI运动信号丢失补偿。网络利用编码器构造DWI的特征映射,然后使用融合策略融合多个时刻的DWI特征,最后通过解码器对融合后的DWI特征进行重构。实验结果表明,DEFD-net能够有效地减少活体心脏DWI中由呼吸运动引起的信号损失,可以从复原的DWI中较准确的重建活体心肌纤维结构。（2）基于多次采集的收缩期以及受器官运动影响的活体心脏DWI数据,本文提出了一种新颖的运动补偿方法WSCNN（Wavelet Scattering CNN）。WSCNN首先利用小波散射从不同时刻采集的DWI图像中提取多方向多尺度的不变特征,可以克服运动和噪声对图像特征的影响,然后设计融合规则,将多次采集的图像特征融合,最后设计卷积神经网络结构,从融合的散射特征中重建无运动和噪声影响的DWI图像。实验结果表明,相对于现有方法,所提出的WSCNN方法不仅可以补偿自由呼吸运动引起的信号损失,还能补偿由器官运动导致的信号损失,并能够较好的重建活体心肌纤维结构。