磁共振成像凭借着其显著的优势,在临床上获得了广泛的应用。磁共振参数定量成像可以去除与组织性质无关的影响(例如不同仪器中、实验序列、序列参数及实验环境等),而获得组织的定量特性,因此越来越受到重视。然而,磁共振参数成像往往数据获取时间过长,病人有意识的自主运动或无意识的不自主运动都会造成明显的伪影。针对这个问题,本文提出了基于深度学习的单扫描定量磁共振成像方法,包括两个重叠回波的OLED定量T2成像和四个重叠回波的OLED定量T2*成像。利用神经网络端到端的映射,实现定量、实时、且对运动不敏感的磁共振参数定量成像。对于两个重叠回波的定量T2成像,通过两个小角度激发脉冲,产生两个不同回波时间的回波信号,然后用一个端到端的神经网络来重建经过激发序列激发后的图像。本文通过实验对提出的方法进行了验证,在人脑上给出了实验结果并且进行了定量的分析,结果表明提出的方法可以做到实时高质量成像,然后进行了运动的敏感性分析,结果表明提出的方法对运动不敏感,可以做到动态的定量成像。最后做了一些对比分析实验,分析不同的超参数对我们模型的影响,结果表明提出的方法受到超参数的影响较小,具有比较强的泛化性能。我们还将OLED技术推广到单扫描定量T2*成像。对于ROI(感兴趣区域)中参数值比较长的情况,两个重叠回波的OLED重建效果可能就会较差。对于较长的参数值,多个回波的OLED图像有更强的鲁棒性,因此,我们提出四个重叠回波的OLED定量T2*成像,以期望达到更大的参数值测量范围。该方法用四个小角度脉冲产生四个不同回波时间的回波信号,然后用一个端到端的神经网络来重建经过激发序列激发后的图像。本文采用了三个模型,ResNet模型,U-Net模型和DenseNet模型,从不同的角度给出了解决方案,并且在人脑上进行了重建和定量的分析。本文提出的方法,促进了单扫描的磁共振多参数定量成像的发展,探究了深度学习在复杂MRI序列情况下的重建潜力。