目的 探讨深度学习重建（deep learning reconstruction,DLR）在提高高分辨率T2液体衰减反转恢复（fluid-attenuated inversion-recovery,FLAIR）序列海马冠状位MRI图像质量中的作用。材料与方法前瞻性纳入36例神经系统疾病患者，进行高分辨率海马T2-FLAIR冠状位扫描，并对图像进行DLR，对原始重建（origin reconstruction,OR）图像和DLR图像的噪声、伪影、海马结构辨识度、病灶可识别度和诊断接受度进行主观评价，测量并计算两组图像的信噪比、对比噪声比和双侧海马信号强度差值。结果DLR的T2-FLAIR海马冠状位图像噪声、海马结构辨识度、病灶可识别度和诊断接受评分均高于OR T2-FLAIR海马冠状位（P＜0.001），伪影评分差异无统计学意义（Z=-1.730;P=0.084）;DLR T2-FLAIR海马冠状位图像的信噪比和对比噪声比均明显高于OR T2-FLAIR海马冠状位（t=-13.061;P＜0.001和t=-16.224;P＜0.001）；两组图像双侧海马信号差值差异无统计学意义（t=-0.290;P=0.977）。结论 DLR不延长扫描时间就可以明显提高高分辨T2-FLAIR海马冠状位图像的海马结构和小病灶的清晰度，降低噪声，为临床诊断提供高质量图像。