水分子在白质中弥散的过程由于受到各种复杂微观结构的影响而偏离高斯弥散。弥散张量成像作为一种有效的非侵入性方法，其有效性已得到广泛认可，并已被越来越多地用来研究复杂微观组织结构中水分子的弥散过程。在大多数神经疾病中，随着病理状态的发展，组织的微观结构也会随之发生相应的变化。包括各向异性分数，平均弥散率，轴向弥散率和径向弥散率在内的弥散张量参数都可被用作反应这类微观结构变化的特异性生物标记物。然而，在临床上医生对弥散成像相关的定量化参数的接受程度并不高，这背后有两大方面的原因。一，在很多疾病中，弥散张量参数随病理状态而发生改变的方式相对复杂。其深层原理尚未被完全理解，从而为提取疾病相关的定量信息制造了困难，针对该类疾病设计相应生物物理模型的必要性显而易见。二，很多弥散成像的定量化方法需要采集不同方向上的弥散加权信号，而临床上留给弥散成像的时间非常有限，因此非常有必要研发一种快速定量化测量方法。　　本工作的第一部分提出了一种针对创伤性脑损伤的生理物理模型，该模型将潜在的病理变化与弥散物理相结合，通过模拟脑损伤后组织的物理参数变化来反应疾病的病理特征。我们的研究结果表明，在水肿不是首要的病理症状的情况下，与其他弥散张量参数相比，轴向弥散系数和径向弥散系数对轴突损伤和脱髓鞘病变具有更好的特异性。细胞毒性和血源性水肿可通过各向异性分数的增加和平均弥散系数的减少来反应。这些结果为创伤性脑损伤临床诊断提供了参考。　　在第二部分中，我们建立了一个脱髓鞘病变的生理物理模型。利用蒙特卡洛方法，我们模拟了在不同回波时间下髓鞘化轴突中的分子弥散过程。人脑内测量和模拟结果同时表明各向异性分数及轴向弥散系数与回波时间呈正相关，而径向弥散系数则与回波时间呈负相关。并且这种相关性与髓鞘厚度有直接的关系，可以被用作脱髓鞘疾病检测的生物探针。　　在本论文的最后部分，我们提出了一种具有跳跃性连接方式的卷积神经网络并使用深度学习重建了高度欠采样的弥散张量图像。实验结果表明，深度学习可以使用10％的数据量重建出全采样结果中90％的纤维结构，并且可以抑制图像噪声。深度学习可以有效恢复出加速成像过程中，由于欠采样而丢失的图像信息。　　总体而言，弥散成像在研究生理结构和功能方面有着广泛的应用前景。合理的生物物理模型不仅可以加深了我们对弥散图像与病理学之间关系的理解，更有助于促进弥散成像在临床诊断和神经科学中使用。而以卷积神经网络为代表的数据处理方法可以提升弥散成像在临床中的可用性。