磁共振成像是临床诊断中的一个重要手段,并且近年来磁共振图像的重建算法备受关注。为了加速磁共振成像并提升MR图像重建的质量,本文深入研究并做了如下几方面的工作:1、提出一种新的多尺度扩张残差网络进行压缩感知磁共振图像的重建。使用扩张卷积来扩大卷积核的感受野并减少网络参数,然后使用全局残差来补充网络提取特征时损失的初始信息,使用局部残差来提升数据流通性。另外,使用级联层来融合多尺度特征,加速网络的收敛,提高网络的精度。针对磁共振成像过程中的噪声情况,进行去噪声的仿真实验。在MR数据集添加不同等级和种类的噪声:高斯噪声和莱斯噪声,再将其输入到卷积神经网络中进行重建,提出算法取得不错的去噪效果。2、为了进一步提高MR图像重建的质量,提出一种基于图像域和梯度域卷积神经网络的压缩感知磁共振图像重建算法。首先对MR图像进行X和Y方向的梯度分解,然后将图像域图像和梯度域图像分别送入对应的深度卷积神经网络去训练,并重建出对应的图像,最后将三种重建结果融合成最终求解的MR图像。与其它深度学习算法对比,无论是主观评价还是客观指标,提出算法均实现MR图像重建质量的提升。3、针对磁共振成像中由于伪影产生的低分辨率图像,将提出的两种深度卷积神经网络分别应用到MR图像的超分辨率重建中来。首先使用双三次插值的方法使用不同尺度降低MR图像的分辨率,再将数据集送入提出的深度卷积神经网络中训练,两种网络均重建恢复出高分辨率的MR图像。