从生物体素的角度,人体组织内水分子的运动形式主要包括毛细血管外的扩散运动和血液在微循环网络内的灌注（伪扩散）运动,组织灌注异常往往会直接或者间接地导致疾病的产生。因此,通过成像手段探测血液的灌注信息,在疾病的成因、诊断和评估具有着重要的临床意义和参考价值。然而,传统组织灌注成像手段需要有潜在危害的成像剂或对比剂介入,属于侵入式的检测技术。为了解决该问题,基于磁共振扩散成像（Diffusion Magnetic Resonance Imaging,d MRI）的体素内不相干运动成像（Intra-voxel Incoherent Motion Imaging,IVIM）技术被提出。由于该技术能够无创伤无辐射地提供人体组织的扩散和灌注参数信息,在临床上有很大的应用价值。另外,传统参数估计方法受到了信噪比或组织异质性的严重影响,普遍存在着估计出的参数精确度不高和视觉效果不好的问题,这严重阻碍了IVIM成像技术的推广。鉴于深度学习技术在图像重建和特征提取等领域的研究优势,因此本文根据不同器官采集数据的特点,设计深度学习模型,提升IVIM领域中双指数和双张量两种成像模型参数估计的可靠性,进而为参数分析提供一种辅助手段。本研究主要工作具体如下:（1）针对于能够表征扩散和灌注各向同性的IVIM双指数模型,提出了一种基于动态卷积的神经网络（Dynamic Convolutional Neural Networks,DCNN）模型以实现该成像模型参数的准确估计。网络由大量仿真数据进行驱动,首先通过空间邻域提取模块,来学习不同邻域范围的信号对体素点参数的非线性特征。其次,通过参数映射模块,学习不同参数对MRI信号衰减贡献程度。仿真测试数据和多种真实采集数据的实验结果表明,相比于现存的传统方法,DCNN可以产生具有更小变异系数、更少离群值、视觉效果更好的IVIM参数图。（2）针对于IVIM-DTI双张量模型,提出了一种基于MLP-Mixer的参数估计网络,实现对组织内扩散和灌注各向同性和各向异性信息的准确估计。本文首先基于真实活体心脏数据,利用该成像模型对各向异性的心肌纤维和毛细血管进行了大量的数值信号仿真,并作为网络的训练数据。其次,网络中基于MLP-Mixer的残差连接结构能够将浅层特征和深层特征,同扩散梯度方向和扩散敏感因子衰减混合信息进行融合,加强了信号和参数之间复杂非线性映射的表达能力。多种实验结果表明,相比于现有方法,所提出的方法拥有更好精度和视觉效果,为心脏微循环网络的临床研究提供了一种有效的后处理方法。