核磁共振成像(MRI)具有非侵入性、无辐射等特点,能够安全有效地检查人体内部状况,因此在临床医学中得到广泛应用。然而,核磁共振成像过程中,患者需要保持静止,如遵循奈奎斯特准则进行全采样将耗费大量时间,容易使患者感到不适。为减少采样时间,往往只采样部分信息,这就会引起混叠效应,干扰正常识别。MRI重建旨在从欠采样的K空间数据重建得到清晰图像,对于临床医学诊断具有重要意义。现有重建方法虽能够有效重建图像,但其结果在低采样率下依然存在一定瑕疵。此外,许多传统方法也需要较长的重建时间而无法做到快速重建。为了解决上述难题,本文基于深度学习技术针对性地开展了以下工作:首先,我们从卷积网络架构出发,提出了串联式膨胀稠密网络模型。现有深度重建方法所采用的网络架构过于朴素,对于从混叠图像到清晰图像映射关系的拟合能力存在不足。我们通过串联而成的稠密去混叠模块,阶段性地将混叠图像进行重建以得到清晰图像。而膨胀卷积技术的引入则在不产生额外训练参数的前提下扩张的感受野,进一步提升重建效果。随机欠采样所产生的复杂混叠伪影在稠密连接与膨胀卷积共同作用下得到了更好地处理,重建的结果更加清晰。其次,本文提出了两步频域修正法。与常规成像方式不同,核磁共振成像从K空间采集相位编码信息。现有深度核磁共振成像方法多通过频域相关的损失函数或朴素的数据替换法来提高数据准确性。后者方法虽能有效保证数据一致,但仅有部分频域得到修正。本文在此基础上,将朴素替换后得到的复数数据转换为实数形式,再进行二次替换,使原本未采样位置上的频域数据也得到了一定程度修正。两步修正法能够在保证数据一致性的前提下保留更多的细节信息,从而得到更加自然的重建结果。最后,本文通过大量实验验证了所提方法的高效性。我们模型在不同采样率(包括5%极端采样率)下均能重建出高精度图像。同时,在不同实验条件下,我们方法的PSNR、SSIM等评价指标均优于当前已有方法,进一步说明了我们模型的高效与鲁棒性。本文所提方法对于深度学习和医疗图像处理领域均具有重要借鉴意义。