近些年来,医学图像信息在人类健康以及临床疾病的诊断中发挥着举足轻重的作用。目前,可以通过多种技术手段获取医学图像信息,其中,磁共振成像(Magnetic Resonance Imaging,MRI)是比较常见的医学图像采集技术。由于MRI技术是一种针对人体组织和器官的医学成像技术,分辨率高,可以对人体各个部位进行多角度、多平面成像,从而广泛应用于临床诊断。但磁共振(Magnetic Resonance,MR)图像在采集过程中,会受到Rician分布的随机噪声干扰,使得图像中有用信息减少,降低成像的准确性和有效性,会直接影响临床医生的正确诊断和治疗;并且目前对Rician噪声去噪问题研究较少,去噪技术尚不成熟。因此本文针对医学MR图像采集过程中存在的Rician噪声问题,提出一些MR图像去噪的新方法,有效的解决了图像中的噪声问题。本文主要研究内容如下:针对医学MR图像中存在Rician噪声较大以及双域滤波算法对Rician噪声处理不彻底、运行时间较长的缺点,本文提出一种双域滤波与引导滤波相结合的快速医学MR图像去噪算法。该算法将引导图像滤波边缘保持后的图像作为双域滤波算法的原引导图像,减少双域滤波算法的迭代次数,缩短算法运行时间;然后通过研究双域滤波算法中权重系数对去噪效果的影响,并改进算法权重,结合原始权重系数和指数核函数,构造新的权重系数,对噪声进行有效处理。结果表明,本文所提的新算法能快速去除MR图像中的噪声,保护图像细节。相比之前的医学MR图像去噪算法,本文所提算法表现出更高的峰值信噪比和结构相似度;且相比经典双域滤波算法,改进后的算法能将运行时间减少1/3,相比非局部均值算法,可减少1/2。针对MR图像中存在的Rician噪声,本文提出一种基于深度残差网络的医学MR图像去噪算法。该算法首先通过残差学习思想从噪声图像中移除原始的无噪图像,将剩余的噪声用于模型训练,结合批量归一化,提高算法去噪性能;然后分别对深度学习中随机梯度下降算法和自适应矩估计两种参数优化算法进行比较,选出自适应矩估计优化算法作为本文网络的优化算法,寻找损失函数的最小参数,解决参数优化问题;并通过研究图像像素大小对残差网络的影响,选出合适的图像像素大小。在传统残差网络的基础上,通过增加池化层,能够减少数据量以此加快网络训练速度,提高所提算法的性能;最后对去噪后的图像采用峰值信噪比和结构相似度进行评价。实验结果表明,本文所提去噪方法相比传统的图像去噪算法,能有效去除医学MR图像中的Rician噪声,保护图像细节,实现良好的去噪性能。