磁共振成像（Magnetic Resonance Imaging,MRI）技术因其非侵入性、非电离的成像方式,已经广泛地应用在物理、生物、医学等领域,尤其在病灶诊断方面的前景广阔。然而,由于磁共振独特的成像机制,磁共振扫描时间过长,容易产生运动伪影,从而影响重建质量和临床诊断。因此,减少磁共振成像时间具有重要的研究意义。目前深度学习技术与日俱进,在图像重建领域表现突出,因此基于深度学习的快速磁共振图像重建成为当下学者的重点研究方向。在之前研究的基础上,本文结合深度学习技术,提出了一种快速磁共振图像重建算法。本文的主要工作如下:首先介绍了磁共振图像重建的研究背景与意义,概括了磁共振图像重建的国内外研究现状,并且分析了目前重建算法存在的问题和可以改进的方向。除此之外,本文还简要介绍了磁共振成像技术的相关理论知识,以及与本文相关的深度学习基础网络知识。然后提出了一种基于并行双域级联卷积神经网络的磁共振图像重建算法。不同于常见的单域数据处理网络,本文所提算法运用深度学习技术和压缩感知理论建立了一个双域网络同时处理频域及空域数据,在网络的每个卷积模块之后进行双域数据交叉融合,从而充分挖掘双域数据之间的潜在关系。同时为了解决随着级联网络的逐步加深,特征信息在一定程度上存在的失真问题,在每个级联阶段中添加了频域数据一致性层和空域数据一致性层,保证在较深的网络中也能有效地实现数据保真。另外,该算法的特征提取器使用了具有批标准化层的残差编码结构,避免了随着网络的加深,特征信息丢失和梯度消失的问题。融合模块使用注意力机制实现自主学习双域数据的通道权重,结合磁共振独特的复值数据特点,把加权后双域的实部和虚部分别相加再拼接,进一步提高融合效率,达到双域数据融合成单域的目的。其中损失函数包括频域和空域两个部分的损失,还增加了感知损失,避免重建的图像出现过平滑的现象。最后,本文在两个公开数据集（脑部和膝盖）上验证了所提算法的重建性能,通过与多种重建方法进行重建性能对比实验和鲁棒性验证实验,结果表明,所提算法在不同采样轨迹、不同采样率的条件下,相较于不同重建方法,均获得了更好的定量指标和视觉效果。综上所述,本论文以并行双流网络为基础架构,引入注意力机制,在自主学习权重和提高数据融合效率的同时,有效地利用了双域数据之间的潜在关系,提出了新的磁共振图像重建网络算法并取得了较好的实验结果。