弥散张量成像是20世纪90年代出现的一种新型的磁共振功能成像技术。弥散张量成像通过测量组织内水分子的弥散特性,获得水分子弥散的方向、量级和各向异性等信息,进而探测出组织的微观结构信息。由于其独特的成像技术,弥散张量图像是目前活体显示大脑的神经白质纤维束轨迹、心脏的肌肉纤维和脊髓等的唯一途径。弥散张量成像技术已经被应用于抑郁症、精神分裂症、多发性硬化和老年痴呆症等多种疾病的临床诊断。　　 本文的目的是提出有效的算法提高弥散张量图像的质量和分析弥散张量图像。弥散张量图像对于噪声非常敏感,使其应用受到了很大程度的限制。在弥散张量成像过程中,弥散张量图像是从一系列弥散加权图像进行计算得到。弥散加权图像的成像容易受到噪声污染,使得弥散张量图像产生偏差,从而影响纤维跟踪等后续处理的质量。为了降低张量图像的噪声,本文提出了基于稀疏表示理论的三维弥散张量图像降噪算法。该方法首先从三维弥散加权图像中通过K-SVD算法学习超完备字典,然后基于稀疏表示理论求解优化问题去除图像的噪声,完成对弥散张量图像的降噪。实验结果显示与传统的降噪算法相比,本文的算法能够有效地降低了弥散张量图像的噪声,很好地保留图像的对比度和结构。弥散张量图像包含了丰富的信息,但是过高的维数给图像的分析带来了很大的挑战。目前常用的基于平均弥散率和分数各向异性等标量指标只能反映图像的少量信息,具有一定的局限性。针对弥散张量图像的高维特性,本文提出了基于局部保持映射的弥散张量图像分析算法。该方法首先定义了张量之间的距离计算准则,然后根据局部保持映射算法构建张量之间无向连接图,确定张量之间的相似度矩阵,对原始张量数据进行降维,最后将降维获得的数据映射到彩色图像进行显示。通过合成数据和真实数据的实验表明,本文提出的算法能学习隐藏在高维弥散张量图像中的流形结构,发现张量数据间的内在关系。