多中心核磁共振成像(Magnetic Resonance Imaging,MRI)大数据融合共享是开展神经科学研究的重要基础。多中心MRI数据融合可以显著增强研究结果的可靠性和可重复性,消除单一成像中心因样本量较小导致的不可预知的偏差。然而不同脑成像中心数据采集时的差异性(统称为站点噪声),将会导致计算结果的不准确,严重阻碍基于多中心大样本MRI数据揭示脑疾病机理研究工作的开展。而现存的主要站点噪声去除方法-参数模型方法和数据驱动方法,均无法有效地去除站点噪声对多中心MRI数据融合的影响。这是由于在实际的应用中,站点噪声和感兴趣变量往往存在一定的相关性,为保证不丢失感兴趣信号,去除站点噪声的过程中会保留和感兴趣信息相关的站点噪声成分,进而导致站点噪声不能被彻底去除。针对这一亟待解决的科学问题,本论文基于双投影多元参数回归模型,提出基于参数回归方法和数据驱动方法的有效的站点噪声去除模型。该模型能够准确全面的提取出站点噪声影响,可在不丢失任何感兴趣信号的前提下,最大程度的去除站点噪声对不同模态MRI数据的影响,具有高灵敏性、高特异性和高效率的去除站点噪声的能力。本论文基于仿真的多中心融合MRI数据和真实的来自不同成像中心融合的核磁共振成像数据,对本论文提出模型在去除站点噪声方面的有效性和特异性进行了充分的验证。研究表明本论文提出的站点噪声去除方法,可以在不丢失任何感兴趣信号的前提下,最大程度的去除站点噪声对多中心融合MRI数据的影响。在去除站点噪声的有效性和特异性方面显著优于目前常用的参数模型和数据驱动模型。同时该模型可以进一步结合联合张量独立成分分析模型,对多中心多模态MRI数据进行深入快速去噪,且该模型可作为去除任何噪声的普遍使用模型。该模型的成功应用将有效保障多中心MRI数据研究结论的可靠性和准确性,规范因站点噪声导致研究结果多样化的问题;促进神经影像领域基于大样本多模态MRI数据对脑疾病进行系统性的深入研究。