磁共振成像（Magnetic Resonance Imaging,MRI）是利用磁共振原理,从物体或组织中采集电磁信号后重构出图像的成像方法。MRI有着成像分辨率对比度高、安全性较好等诸多优点,因而在临床检查和诊断中得到了广泛使用,帮助了无数医生和患者。然而,MRI检查的时间过长,且要求患者在此期间不能活动,这对一些特殊患者是不现实的。传统的MRI重构方法包括并行成像和压缩感知,而这些方法或需要提高硬件成本,或需要提取图像先验信息,均存在一定的限制。随着深度学习的发展,基于深度学习的MRI重构方法成为研究的热点。本文主要围绕注意力机制和改进生成对抗网络来实现对MRI的重构,具体的研究内容如下。（1）提出了一种结合自注意力机制（Self-Attention,SA）和相对平均判别（Relative Average discriminator,RA）的磁共振图像重构方法（SARA-GAN）。在SARA-GAN中,相对平均判别器可以充分利用判别器输入数据一半为真,另一半为假的先验知识。同时,在生成器网络的上采样区融入了自注意力机制,其可以捕捉图像的全局信息、构建图像的远距离依赖,克服卷积核大小有限而只能关注局部感受野的问题。此外,我们还在生成器网络和判别器网络参数上运用了谱归一化来稳定训练过程。实验结果表明,与DAGAN、DAWGAN和DAWGAN-GP三种基于生成对抗网络的重构方法相比,SARA-GAN方法可以获得更高的峰值信噪比和结构相似度,重构图像的细节更加丰富、真实,且具有一定的抗噪声能力,可以用于进一步的临床检查和诊断。（2）提出了一种基于正-未标记生成对抗网络（Positive-Unlabeled GAN,PUGAN）与改进U形网络（U-net）的磁共振图像重构方法（PU-U-GAN）。该方法使用PUGAN损失代替原始GAN的判别器损失,将原始判别器的正（Positive）-负（Negative）分类转换为正（Positive）-未标记（Unlabeled）分类,提高了网络训练的稳定性。同时,在原始U-net中嵌入残差稠密块和卷积注意力模块,提高了网络的拟合能力,并使网络获得了空间和通道注意力。在公开数据集下将该方法与DAGAN,DAWGAN-GP和SARA-GAN三种基于GAN的重构方法进行对比。实验结果表明,该方法的重构MRI平均峰值信噪比较SARA-GAN提高了0.6351到1.2848不等。同时,消融实验结果也表明了该方法各个组成部分对重构效果的影响。该方法融合了PUGAN理论和改进U-net,提高了MRI的重构精度,增强了重构MRI的纹理细节,具有一定的实际应用价值。本文的实验结果表明,注意力机制和改进的生成对抗网络均能提高网络的重构性能,本文提出的方法将两者结合使用,不仅可以稳定训练过程,还能明显提高重构磁共振图像的质量。