磁共振成像是一种非侵入性影像检测技术,具有优越的软组织对比度,可以准确反映人体器官和组织的生理功能及解剖结构,是临床诊断和治疗方案中不可或缺的成像工具。磁共振成像速度慢是限制其发展的一个重要因素。k空间数据欠采样并结合相应的重建算法是加快磁共振成像的有效方法。然而,对欠采样的k空间数据进行图像重建是一个不适定的逆问题。虽然根据图像的先验知识引入正则化项可用于求解图像重建的逆问题,但目前的磁共振重建方法在高加速因子下仍然易受噪声和混叠伪影的干扰,且手动调节参数(如稀疏算子、正则化参数等)比较困难。近年来,深度学习领域得到了飞速发展。深度学习模型具有高度的非线性,可以自发地从大量数据中提取特征,在分类、分割等计算机视觉领域和医学图像处理方面都取得了里程碑的进展。因此,有大量的研究者将深度学习方法用到了磁共振重建中,以进一步提升磁共振成像速度,虽然取得了令人鼓舞的成果,但基于端到端深度学习的重建方法的实现依赖于大量高质量的磁共振数据,且相比于传统的基于模型的重建方法,端到端的网络泛化能力有限,易受数据量和数据质量的影响。针对上述问题,本硕士论文提出一种新颖的基于卷积网络的模型优化框架,用于磁共振成像。所提出的框架具有深度学习自动提取特征的优点,并利用卷积神经网络自适应学习迭代优化求解过程中的参数,不仅可以降低端到端的深度网络模型对数据量的需求,而且能够增加网络的泛化能力。下面是本硕士论文所进行的三个主要实验。首先,我们提出了一种基于模型的快速并行磁共振成像卷积去混叠网络。所提方法探索了并行磁共振成像中的冗余和相关性,可以从多线圈欠采样k空间数据中实现准确重构。所提出的模型具有以下贡献:1)开发了分裂Bregman迭代算法求解该模型;2)与大多数现有的依赖于多线圈灵敏度估计的并行成像方法不同,该模型可以直接从欠采样k空间数据获得精确的重建结果,而无需进行显式的灵敏度计算;3)在具有各种欠采样模式和不同加速因子的体内大脑数据集上的评估结果表明,与SPIRiT、SAKE、MoDL三种最先进的方法相比,所提方法在定量指标和定性分析方面展示了较好的性能。其次,我们提出一种分析变换网络用于动态磁共振重建。该模型结合了压缩感知磁共振重建和深度学习的优势,既具有很好的理论可解释性,又具有良好的网络泛化能力,且不需要大量的数据。具体来说,我们在空间域中初始化离散余弦变换,在时间域中初始化总变差变换,以充分利用动态图像序列间和空间域的冗余性和相关性。为了优化模型,我们使用了可分离的交替方向乘子法迭代求解。然而,迭代重建往往很费时,并且必须通过手动调整参数。受卷积神经网络的启发,我们使用卷积神经网络学习迭代过程中的所有参数,以解决传统方法中参数选择困难的问题。实验表明,该方案可以高效、快速、精确地重建动态磁共振图像。与最先进的磁共振重建方法D5C5和k-t SLR相比,我们的模型在定量和定性分析方面均表现出卓越的性能。最后,我们提出了一种张量分解的方法用于高维磁共振重建。高维磁共振成像是进一步推广磁共振的关键技术,目前许多磁共振的高级应用都涉及高维磁共振成像。高维成像由于数据维度高,处理起来更加困难。我们提出了一种基于卷积神经网络的张量分解方法来重建3D并行磁共振成像。初步实验结果表明我们的方法取得了令人鼓舞的性能。