针对目前基于深度学习的欠采样磁共振（MR）图像重建方法都是基于单个切片的重建而忽略相邻切片间的数据冗余的问题，提出一种用于欠采样的多切片脑部MR图像重建的混合级联卷积神经网络（HC-CNN）。首先，将传统的重建方法拓展为基于深度学习的重建模型，并使用级联卷积神经网络来代替传统的迭代重建框架。然后，在每次迭代重建中，分别使用3D卷积模块和2D卷积模块来学习脑部MR图像序列中存在的相邻切片间与单幅切片内部的数据冗余。最后，在每次迭代中使用数据一致性（DC）模块来保持重建图像在 k-空间的数据保真度。在单线圈脑部MR图像数据集上的仿真实验结果显示，相较于基于单幅MR图像的重建方法，所提方法在4倍加速因子下的峰值信噪比（PSNR）值平均提升了1.75 dB，在6倍降采样因子下的PSNR值平均提升了2.57 dB，而且该方法的单张图像重建平均用时为15.4 ms。实验结果表明：所提方法不仅能够有效利用切片间的数据冗余并重建出更高质量的图像，而且具有较高的实时性。

针对现有近邻传播聚类图像分割方法分割精度低的问题,提出一种基于模糊连接度的邻近传播聚类(FCAP)图像分割算法。针对传统模糊连接度算法不能得出任意点对间模糊连接度的不足,结合最大生成树提出了全模糊连接度算法。FCAP算法先使用Normalized Cut超像素技术进行超像素分割，这些超像素可以看作数据点以及它们之间的模糊连接度;然后使用所提出的全模糊连接度算法计算超像素间的模糊连接度,根据模糊连接度和空间信息计算超像素的相似度;最后使用近邻传播(AP)聚类算法完成分割。实验结果表明,FCAP算法明显优于超像素处理后直接使用AP聚类算法进行分割的方法,并且优于无监督图像分割方法。