磁共振成像（Magnetic Resonance Imaging,MRI）在治疗检测和医疗诊断等领域的应用很广泛,并且没有电离辐射危害。然而,过长的扫描时间成为了MRI最主要的缺点。因此,为了在保证MRI质量的同时提高成像速度,本文研究利用深度学习的网络模型,设计有效的MRI网络模型来提高磁共振图像的重构性能。本文的主要研究内容如下:（1）采用Calgary-Campinas的脑部原始数据,并对数据集进行归一化处理,选择25个受试者的1000个切片作为训练数据集,10个受试者的400个切片作为测试数据集。首先,基于Google Le Net模型在分类任务中的良好表现,本文对Google Le Net模型进行改进并提出了S-GLe Net模型用于MR图像的重构中。其次,深度级联网络模型首次将数据一致性层用于磁共振图像的重构中并且图像的重构质量较好,因此,本文提出将S-GLe Net模型与数据一致性层相结合称为级联S-GLe Net模型。仿真实验结果表明,在多种欠采样模式下,新提出的级联SGLe Net模型与深度级联网络模型、Hybrid-Cascade网络模型相比在MR图像的重构上均有很大提升。（2）由于U-Net神经网络在医学图像分割领域表现良好,本文提出将级联UNet模型用于MR图像的重构中。仿真实验结果表明,在多种欠采样模式下,级联U-Net模型能有效的提高MR图像的重构质量,但需要学习大量的参数,而且重构的图像有过模糊现象,重构性能还有很大提升空间。（3）本文提出的新型网络模型对原始的U-Net模型进行改进,结合Google Le Net模型和Res Net模型的优势,称为UGR-Net模型;在UGR-Net模型基础上,用多种方式加深模型深度,同时改变上采样方式和激活函数,提出了PCKNet模型;此外,将UGR-Net与PCK-Net这两种模型与数据一致性层相结合,称为级联UGR-Net模型和级联PCK-Net模型。使用多种欠采样模式对脑部复数数据进行欠采样,并对新提出模型的重构性能进行测试。仿真实验结果表明,在多种欠采样模式下,级联UGR-Net和级联PCK-Net在视觉和定量指标等方面均优于比较的重构模型,特别是对于级联PCK-Net模型,在训练数据集和测试数据集采样模式不同的情况下,重构效果表现依然很好。