磁共振成像是当今临床诊断和医学研究中重要的成像方法之一,但该方法采用频谱成像需要采集大量的K空间数据,因此成像时间较长,从而限制了其应用范围和使用效率。为了解决该问题,研究者们研究了各种重建技术从而在保证图像质量的前提下缩短数据采集时间。随着深度学习在计算机视觉和图像处理等领域取得重大突破,将其应用于磁共振成像重建也逐渐成为了研究热点。然而目前几种代表性深度学习方法普遍存在模型不够稳定难以训练和鲁棒性不足难以灵活运用等问题,且需要高质量大数据集的长时间训练,因此需要寻找一种误差表示更小和泛化能力更强的先验学习方法。本研究注重挖掘深度网络先验的底层表示和构建方式并将其用于磁共振成像重建算法的研究中,主要贡献如下:（1）针对模型不够稳定难以训练和鲁棒性不足难以灵活运用问题,以深度能量生成模型为载体,研究了一种基于最大似然估计的自对抗先验构建方式和基于朗之万动力学隐式推断的迭代算法。该算法通过抓取复杂数据分布的统计先验信息将其用能量统一表示,且仅需通过隐式迭代算法优化能量差值就能达到优良的图像重建性能,因此有效避免了模型在不同样本下需要多次训练的不通用缺陷。大量实验结果表明,该算法取得了较为精准的重建性能且模型能应用于更加广泛的场景。（2）针对模型训练需要大量全采样图像样本问题,研究了一种联合衍生大数定律思想和多通道策略的高维相关性先验提取方式,并提出了一种在高维空间组合全采样和欠采样图像数据进而训练去噪自编码网络的方法,该方法有效避免了现实场景中干净样本数据难以获取这一缺陷。同时在高维空间注入多个等级人工噪声,使更多样本跨越整个空间从而提升丰富度。大量的实验结果表明,该方法在没有充足的全采样图像数据的情况下能够实现较为精准的重建且达到了比较好的可实施性效果。