在临床实践中,由于磁共振成像可通过使用不同对比度设置生成多张磁共振图像,从而为临床诊断提供丰富的多对比度信息。然而,过长的扫描时间增加了生理运动的敏感性,这将会降低成像效果。因此,随着扫描次数的增加,在不牺牲图像结构信息的前提下,迫切需要可以缩短扫描时间的技术来降低成本、减少病人的不适。压缩感知可以通过减少直接由机器获得的K空间（即傅里叶空间）测量数据来加速磁共振成像。压缩感知理论研究表明,如果经过变换后的数据是稀疏的,高欠采样的K空间数据可以重建出精确的原始数据,这大大减少了采样所需的数据量,从而降低了扫描所花费的时间。然而,在获取的信息不充分的前提下,图像结构信息可能会丢失或模糊。因此,结合额外的先验信息来对重建图像进行稀疏约束,从而提高图像重建质量。随着深度学习的出现,许多研究者对先验信息的构建提出了许多新颖的方法。由此,如何将深度学习强大的学习能力有效的用于先验信息的提取成为了热点研究问题。本课题提出了一种新的方法,通过利用深度学习无监督生成模型,从这些部分采样K空间数据中有效地重建出具有相似解剖结构的多对比度磁共振图像。本论文提出的方法包含两个连续阶段。在先验学习阶段,即无监督深度学习的训练阶段,基于分数估计的生成模型用于从单对比度图像数据集中训练得到梯度域的先验信息。在先验信息确定后,将其应用于不同设置下的多对比度重建当中,如不同数量的对比度图像和不同采样模式。在迭代重建过程中,数据一致项,梯度图和组稀疏性约束项迭代更新,用于获取满意的结果。在仿真和在体磁共振成像数据的实验结果中表明,该方法能够达到更低的重建误差,以及比其他算法更能保留清晰的图像结构。综上所述,本文着重于对无监督深度学习用于多对比度磁共振成像重建问题的研究,挖掘图像潜在先验信息并将其融合于多对比度磁共振成像重建算法中。本课题提出的算法由于利用了不同对比度图像之间的结构相似性和生成模型提供的更精确的近似能力,能够有效地提供更好的保真度。