磁共振扩散成像（diffusion magnetic resonance imaging,d MRI）是当前唯一一种可以无创检测活体生物组织内水分子扩散信息的技术,活体组织中的水分子受神经、细胞及周围组织结构影响进行受限扩散,其扩散位移分布可以反映组织的微观结构。为了从d MRI信号中准确地估计出水分子的扩散位移分布,高角度分辨率扩散成像（high angular resolution diffusion imaging,HARDI）被提出。HARDI不对水分子扩散位移分布做任何假设,直接使用较多的扩散编码梯度方向信号重建多纤维交叉结构,是目前无损检测复杂纤维结构的重要手段。然而,HARDI成像需要采集较多方向的扩散加权（diffusion weighted,DW）信号,大大增加了成像时间,并且现有HARDI重建算法无法对小角度交叉纤维方向进行准确估计。为了解决以上问题,本文设计了两种深度学习模型以实现快速HARDI成像和交叉纤维的准确重建,具体研究内容如下:（1）设计了一种基于采样的快速HARDI图像重建网络（direction multiplying network,DMNet）,用于从少方向DW信号生成多方向DW信号,以实现快速HARDI成像。DMNet主体结构由多尺度上采样模块（multi-scale up-sampling decoder,MSUD）和密集降维残差融合模块（densely dimension-reducing residual fusion,DDRRF）组成,其中,MSUD由三种不同大小的上采样卷积路径构成,并通过多通道融合的方式得到具有多感受野的丰富方向特征,融合后的特征图经过DDRRF进行特征提取和降维,并应用残差融合重构多方向DW信号。模型采用图像空域损失、小波损失和方向约束校正损失进行训练。通过对比生成的DWI、纤维重建结果与实际多方向采集结果,证明该方法在使用少方向信号生成多方向信号上具有良好效果,可以在降低采集时间的同时,保证纤维方向重建的质量。（2）对于重建体素的交叉纤维,本文提出了多纤维重建网络（HARDI-Net）模型。该方法利用1D-CNN提取多方向DW信号中的关键特征,主要包括多尺度池化特征提取模块和多路径特征融合模块。在降采样的过程中借助多尺度池化的方式以减少特征丢失,同时将多尺度特征进行融合做进一步的特征提取,再使用多路径融合特征,并将其映射为纤维方向。模型使用纤维方向偏差损失和交叉角损失约束网络收敛。对比不同大小角度交叉纤维的HARDI-Net重建结果与真实结果,角度误差均小于5°;并与多个现有重建方法进行对比,角度误差远远小于其它方法。结果表明,所提出的HARDI-Net不仅能够准确的重建大角度交叉纤维方向,且对小角度交叉纤维也具有很好的适应性。