脑部磁共振成像（MRI）的分析对于神经系统疾病的准确诊断与治疗至关重要，其技术水平的提升将直接促进整体健康质量的改善。由于MRI数据重构的固有特性，该领域仍存在诸多可进一步优化的方向，例如疾病检测与病灶分割、数据增强、采集效率提升以及图像质量优化等。多年来，研究人员已提出多种方法应对这些挑战。近年来，机器学习（Machine Learning）与深度学习（Deep Learning）逐渐成为解决此类问题的主流技术路径。多种数据挖掘方法（包括监督学习、无监督学习、降维技术、生成模型等）及相应算法均可应用于MRI图像分析任务。此外，其他图像处理任务中涌现出的新一代深度学习架构也具有借鉴价值，例如新型卷积结构、自编码器（Autoencoders）以及生成对抗网络（Generative Adversarial Networks, GANs）等。因此，本研究旨在将上述新兴技术之一应用于T1加权脑部MRI（T1-weighted MRI, T1WMRI）图像的分析。具体而言，我们将构建一种深度卷积自编码器（Deep Convolutional Autoencoder），以期解决神经影像学中部分关键问题。该自编码器的输入为正常对照组的T1WMRI图像，其目标是尽可能重建出与原始输入一致的图像。然而，在网络架构内部，图像需经过一个低维隐空间（lower-dimensional latent space）进行编码与解码，这使得原始图像的精确重建面临挑战。因此，该自编码器可被视为一种“正常参照模型”（normative model），用于刻画无病状态下神经解剖结构的变异分布（即正常范围）。在利用正常对照图像完成训练后，我们将探讨该自编码器在实际应用中的潜力，例如作为图像去噪工具或潜在的疾病检测器。