磁共振成像是一种广泛应用于临床诊断和治疗中的成像技术,其具有无创、无辐射以及软组织对比度高的特点。然而,其固有、缓慢的成像过程限制了其更为广泛的应用。实现快速磁共振成像的一种常用方法是:先对磁共振数据以一个较高的欠采样率进行采样,之后通过图像处理等技术进行重建,恢复出高质量的图像。目前深度学习在磁共振图像重建任务中取得了令人鼓舞的效果,然而,大部分基于深度学习的重建方法都是直接训练一个深度神经网络去拟合从欠采样数据到全采样数据的非线性映射函数,而没有考虑到利用磁共振物理模型去进行图像重建。因此,本文对基于磁共振物理模型和深度学习的快速成像方法展开研究,主要完成了以下工作:1.本文提出了一种将广义交替投影算法与深度学习结合的重建方法。通过将算法迭代求解步骤中的非线性图像稀疏变换域替换为卷积神经网络,迭代步长以及收缩阈值替换为可学习参数实现算法与深度学习的结合。在内部磁共振数据集上进行了验证,实验结果表明该方法能够实现优于对比方法的图像重建质量。2.本文利用磁共振数据的特性,提出了一种基于自监督学习的磁共振图像重建框架。通过从二次欠采样数据子集恢复欠采样k空间数据的方式促进网络学习恢复频率信息的能力,通过构建并行网络框架以及差异损失项的定义来间接约束网络在未扫描频率点处信息恢复的正确性。在开源数据集上的实验结果表明,所提自监督重建方法能够实现与对应基于监督学习的重建方法相当的重建性能。