在快速磁共振成像领域,传统的基于压缩感知的快速成像算法(CS-MRI)研究遇到了三个瓶颈:1)稀疏变换过于简单,无法捕获与生物组织相关的复杂图像内容;2)参数选取困难,且通用性不强;3)图像线上重建过程耗时长。深度学习方法的出现为快速磁共振成像提供了新的思路,不过现有的深度学习方法大多是由大数据驱动的。然而出于对病人隐私的保护,磁共振成像领域的大数据比较难获取。相比之下,模型驱动的迭代网络结合了传统CS-MRI数学模型与数据驱动深度学习网络的优点,可以实现少量数据的训练下快速精确的线上磁共振图像重建。本课题研究了迭代网络的构建方法,并在将其成功应用到自然图像的椒盐去噪任务后,对其进行改进,提出了基于迭代加细网络的快速磁共振成像方法。主要研究内容包括:(1)构建迭代网络用于自然图像椒盐去噪,利用传统的双L1范数椒盐去噪模型实现了迭代网络的构建,验证迭代网络构建的可行性与网络的有效性。(2)构建改进版的迭代加细网络用于快速磁共振成像,在椒盐去噪迭代网络构建的基础上,对迭代网络的传统算法模型和网络描述能力两方面进行了改进,采用具有迭代加细功能的CS-MRI模型作为网络的基础,嵌入深度卷积网络(CNN)提升迭代网络的学习能力。仿真和磁共振复数实验结果均表明,本课题提出的迭代加细网络具有良好的细节保持能力,在重建性能和线上重建速度方面优于传统的重建方法。尤其是相较于基础版的迭代网络,本文提出的迭代加细网络在PSNR有1-2dB左右的提升,在视觉图上也可以明显看到更清晰的纹理,表明改进后的迭代加细网络细节保持能力更好,具有一定的临床应用价值。