磁共振成像（magnetic resonance imaging,MRI）凭借其无电离辐射的特性以及良好的软组织分辨能力自提出以来就受到了广泛的关注并得到了飞速的发展。然而,目前的磁共振成像多为定性的参数加权成像,仪器、脉冲序列的不同都会造成成像结果的差异,这制约着磁共振成像更深层次的应用。磁共振定量参数成像可以有效解决这一问题,但常规的定量参数成像需要较长的采样时间来完成多次数据采集,导致其对运动十分敏感。已有多种加速定量参数成像的方法被提出,但扫描时间仍较长,无法满足动态成像的需要。近年来我们小组提出的重叠回波成像方法可在单次扫描内同时采集多个具有不同T2加权的回波信号,将定量T2成像采样时间缩短至毫秒级,再借助深度学习实现由重叠回波成像数据直接重建定量T2图像。本论文在此基础上对重建方法进一步深入研究,以期获得更准确更高质量的重建,并为后续其它磁共振参数的定量成像重建提供依据。本论文主要包括以下四个部分:一、介绍了磁共振成像基本原理、磁共振T2成像原理及常规定量T2成像方法,包括自旋回波成像、自旋回波-回波平面成像以及多回波-平面回波成像,阐述了磁共振定量T2成像的应用及发展快速定量T2成像方法的意义。二、介绍了重叠回波定量T2成像的原理及基于最优化算法和深度学习的图像重建方法。简要介绍了深度学习及卷积神经网络,重点介绍了重叠回波定量T2成像重建所用的残差网络。三、提出了基于U-Net的定量T2图像重建方法。与残差网络重建方法相比,新方法利用U-Net的下采样过程使卷积核拥有更大的感受野,同时网络内部使用跳越连接加强了对输入信息的利用。脑模型、水模及人脑实验结果表明新方法重建出的定量T2图像误差更小,纹理细节更接近参考图像,而且还能够重建出B1场图。四、讨论了影响定量T2成像重建质量的各种因素,包括训练样本的类型和数量、信噪比以及深度神经网络采用的损失函数。结果显示,训练样本的噪声水平、样本包含的特征与实测数据的匹配程度以及损失函数的选取对重建结果具有显著影响,需要根据重建目标合理设置才能获得好的重建结果。充足的训练样本数量有利于网络学习映射关系,而回波重聚位置分散有助于提高重建图像的纹理质量。