当前，以深度学习为代表的人工智能技术已经应用到各个行业。我们在深度学习技术的发展和应用方面也做了一些工作，包含（但不限于）以下内容：
1. 设计一种新型的深度神经网络用于快速重建非均匀采样信号。
新型的深度神经网络，名为EDHRN（Encoder-Decoder High Resolution Network）。该网络拥有两个并行的子网络，子网络之间通过上采样和下采样的方式进行重复的连接。该网络的基础结构最初被用于人体姿态估计，已经被证明可以很好地保留图像中的细节，本文将图像的细节与谱图中的弱峰进行了类比，因而使用此网络结构作为基础框架。此外，该方法在基础的网络结构中引入了编解码器模块，该模块也已被证明可以有效地去除图像中的伪影。核磁共振数据通常以复数的形式进行存储，在处理复数数据时，之前的基于深度学习进行谱重建的工作往往是通过将实部和虚部分开，在网络中使用两个通道来分别学习实部和虚部的数据。该方法则是通过使用虚拟回波的方法对数据进行了处理，处理后的数据尺寸会扩大一倍，但是虚部数据约等于零，这样则可以舍弃虚部，将网络的输出通道设为单通道即可。
2. 提出一种新型的用于信号去噪的深度神经网络。
该方法提出的深度神经网络，称为DN-Unet，是类似于编解码结构的Unet网络结构，分为上采样层和下采样层，网络对应的上下采样层之间有跳跃连接。该网络最初被用于医学图像分割，已经被证明可以很好地保留医学图像中的细节。此外，Unet网络结构也已被证明可以有效地去除图像中的噪声，在图像去噪方面有着一席之地。核磁共振波谱数据的噪声与图像噪声有着一定的相似之处，因此该研究将Unet网络结构用于核磁共振波谱数据去噪是对该领域的进一步探索，也是为以后将深度学习引入核磁共振波谱数据去噪的有力支撑。
值得一提的是，我们提出一种新的神经网络训练策略：多个有噪声的数据(即输入)对应于训练数据集中相同的单个无噪声数据(即标签)(M-to-S)。区别于传统神经网络训练方法单个输入对应单个标签(S-to-S)的策略，多对一的训练策略大大提升了神经网络的训练效果。另外，我们还提出一种使用1D模型沿着nD噪声数据的某个维度逐行地进行去噪的方法，使得一个模型可用于多个维度的数据去噪，实验证明使用1D模型对nD噪声数据的某个维度逐行地进行去噪比直接用nD模型对nD噪声数据进行去噪有更好的效果。该神经网络模型在弱峰保留方面有较大的优势并且能够得到高信噪比(SNR)的去噪谱。
