核磁共振弛豫时间分析技术（Time Domain Nuclear Magnetic Resonance,TD-NMR）作为一种重要的检测分析方法,一般是通过对采集的时域NMR数据进行逆拉普拉斯变换,获取样品内部各组分的NMR弛豫时间分布（即弛豫时间谱）,进而分析样品的物质特性和动力学信息。TD-NMR可以在永磁体制成的低场NMR设备上进行,具有低成本、非侵入、可原位检测以及对样品适应性强等优点,目前正广泛应用于石油、化工、食品、材料、农林业等诸多领域。由于在低场条件下有很大一部分样品的时域NMR数据信噪比较低,NMR弛豫时间谱的求取通常是严重的病态不适定问题。以迭代类、正则化约束类为代表的传统弛豫时间反演方法,仍存在计算耗时久、需人为参与且对低信噪比数据反演准确性不高的缺陷。因此,探索更加快速、稳定和准确的弛豫时间反演方法一直是TD-NMR的研究热点和难点。本文在对已有的传统弛豫时间反演方法和近来兴起的人工神经网络弛豫时间反演方法进行深入研究的基础上,开展了以下研究工作:（1）基于NMR基本原理,联合布洛赫方程与第一类Fredholm积分方程,建立低场核磁共振弛豫时间反演方法数学物理模型,并在此基础上引入莱斯噪声,生成更加符合实际NMR数据特征的模拟样本数据集,为后续基于深度神经网络的反演方法提供数据基础。（2）针对现有基于人工神经网络的弛豫时间反演模型抗噪声干扰能力不强的问题,提出一种包含特征提取模块和弛豫时间反演模块的有监督深度神经网络弛豫时间反演方法。特征提取模块利用编码、解码操作实现对原始时域NMR数据的降噪处理。弛豫时间反演模块则通过级联的全连接层来实现类逆拉普拉斯变换,用于从原始时域NMR数据中求取NMR弛豫时间谱。同时,基于信息论在网络损失函数中添加交叉熵函数用于改善反演效果。经过模拟数据和实际采集数据的数值实验及适用性分析,证明该方法可以有效提升反演结果准确性和拥有十毫秒量级的预测时间,并对低信噪比的核磁共振数据具备较好的抗噪声干扰能力。（3）在此基础上,针对实际应用中采样数据的弛豫时间谱真值往往难以获取的现状,提出一种全新的基于无监督深度神经网络的反演方法。该方法基于物理规律对网络损失函数进行改进,实现了正则化参数的自学习,不需要弛豫时间谱真值作为标签即可对网络模型进行训练,使得训练完成的弛豫时间预测模型更加符合实际采样数据的特征。同时,在无监督反演网络的基础上,针对单一数据模型,提出一种寻优能力更强的基于无训练深度神经网络的反演方法。实验结果证明,无监督及无训练反演方法均具有良好的反演准确性和对实际采样数据的适用性,为深度神经网络弛豫时间反演方法进一步在实际数据中的应用提供了切实有效手段。