磁共振成像（Magnetic resonance imaging,MRI）是一种具有高时空分辨率且无电离辐射的非侵入式成像方法,已成为临床上诸多疾病诊断的金标准。然而由于磁共振成像中涉及物理、化学因素繁多,导致磁共振图像的处理和分析十分复杂,其中很多问题甚至是难以求解的欠定问题。近年来,深度学习作为图像分析领域突破性的新方法,已经在医学影像分析中展示出令人兴奋的前景。然而,深度学习方法通常依赖大量样本数据来支持模型对任务的训练拟合,由于磁共振图像数据收集难度大、标签数据难以获取,导致深度学习在磁共振图像处理与分析领域的成功应用仍面临巨大挑战。针对磁共振图像处理与分析领域中由于小样本量或没有成对样本存在的问题,本文设计适用的深度学习算法,并面向相位成像、磁化率定量成像和心脏成像等典型应用展开了深入研究。本文的主要工作及贡献如下:1)提出了基于深度学习的磁共振相位复原模型PHU-Net,实现了高精度、高效运算且不受噪声干扰的相位复原。深度学习求解磁共振相位复原问题的一大挑战是磁共振图像的真实相位信息难以获取,因此缺乏足够的训练样本量。针对这一问题,本文设计了从自然图像中模拟磁共振相位变化模式的方法,通过对比实验证实了该方法比已有方法更适合训练磁共振相位复原模型,解决了模型训练中样本量不足的问题;在PHU-Net模型设计方面,提出通过积分和卷积运算代替传统方法中的区域增长,提升了相位复原的运算速度和精度;在此基础上,还设计了噪声滤除模块,使得PHU-Net在信噪比为1的情况下依然不受干扰地实现相位复原。本文还将PHU-Net相位复原方法直接应用于磁共振图像的水脂信号分离问题中,并在两回波图像上得到了稳定的水脂分离效果。2)提出了针对于磁化率定量成像的TKD-net模型,实现了不使用真实数据训练的情况下达到与监督训练相近的效果。从磁共振相位图像定量磁化率分布在数学上是一个严重欠定的问题,而组织的真实磁化率信息又十分难以获取,因而深度学习方法用于求解定量磁化率时也受到训练样本量不足的限制。本文从组织磁化率与磁共振相位图像之间内在的物理关系,结合k空间的磁化率分布规则设计无监督的深度学习算法。该方法在不使用任何真实磁共振图像进行训练的情况下,达到了与有监督训练方法相近的效果,结构相似指数（Structural Similarity Index,SSIM）达到了 0.986,甚至优于有监督训练方法。该工作为磁化率定量成像提供了新思路。3)设计了面向磁共振心脏电影成像的深度学习迁移算法,并成功应用于预测肥心病阳性基因突变。由于临床上磁共振心脏电影成像数据十分难以获取,可用的训练数据量小,导致深度学习模型容易出现局部极值的挑战。针对这一问题,本文结合迁移学习的思路设计了针对每个子任务分层处理的深度学习方案。该方案中的每一部分都针对不同任务设计拟合目标,从而减少每部分需要训练的参数量。最终该方法预测肥心病阳性基因突变的曲线下面积（Area Under Curve,AUC）达到0.84,实现了从磁共振影像数据对患者基因阳性的有效评估和预测。本文针对磁共振图像处理和分析领域中因数据采集或成像原理导致小样本或无成对样本的挑战,设计相对应的深度学习模型结构及训练方法,为深度学习的磁共振图像智能化发展提供新的思路。