水脂分离作为脂肪肝量化分级、脂肪瘤诊断和心肌脂肪浸润检测等临床应用的关键技术,分离算法的准确度、高效性与诊断结果的可靠性密切相关。然而,水脂分离算法目前仍面临着磁场不均匀性引起的水脂互换、采集多回波图像造成的扫描时间增加及计算成本增加等问题。随着人工智能技术的飞速发展,基于卷积神经网络（Convolutional Neural Network,CNN）的水脂分离算法以其时效性高的独特优势吸引了学者们的广泛关注。本文在对CNN和水脂分离算法深入学习的基础上,重点对基于CNN的水脂分离算法中特征提取、图像重建及泛化能力进行深入研究。主要研究工作如下:（1）研究多回波梯度回波序列的成像原理,分析得出不同回波图像之间的信噪比随回波序号的递增而减少,水脂比例随回波序号的递增而增大,而纹理细节高度相似。研究CNN中残差模块、多层特征融合及分组卷积的基本原理,并尝试将其与多回波梯度回波序列特性相融合,搭建CNN训练与测试实验平台。（2）利用六峰多回波信号模型从参考水、脂肪、场图及2R*数据中合成不同回波时间、不同成像区域及不同场不均匀性干扰的测试集,并在图像添加噪声合成不同噪声干扰的测试集,为后续深度学习算法的泛化能力研究提供数据基础。（3）提出一种基于多回波双向卷积残差网络（Multi-echo Bidirectional Convolutional Residual Network,MEBCRN）的水脂分离算法。该算法包含特征提取模块和水脂分离模块。特征提取模块利用4个多回波双向卷积单元中的输入卷积、双向卷积以及迭代卷积学习相邻回波图像之间的相似性和差异性。水脂分离模块采用10个残差块和多层特征融合从提取的特征中获得水、脂肪图像。实验结果表明,该算法能有效提升分离精度并对复杂采集环境具备较好的泛化能力。（4）提出一种端到端的基于分组卷积与MEBCRN的欠采样水脂分离算法。该算法在基于MEBCRN的水脂分离算法的基础上,新增一个从欠采样K空间数据恢复全采样图像的多回波图像重建模块,并设计4种多回波采样mask以获得更广的采样覆盖范围,以及设计分组通道拼接实现不同输入中相同分组特征图的有效拼接。新增重建模块将多回波特性与分组卷积的分组特性及通道混洗相结合,利用回波图像之间的相似性指导重建,极大降低了参数量和计算成本。实验结果表明,该算法在达到实时处理情况下有效提升高倍欠采样的分离精度。