磁共振成像是一种无电离辐射的非侵入式医学成像方法,现在已经广泛应用于临床辅助诊断中。但在实际应用中,由于磁共振成像速度较慢、易于产生运动伪影等缺点,使得该技术的应用受到一定的限制。并行磁共振成像方法采用了多个接收线圈同时采集磁共振信号,加快了磁共振成像速度,但是在欠采样情况下,获得的图像会出现混叠伪影。通过并行磁共振重建算法,可以利用空间灵敏度信息计算出缺失的相位编码信息进行图像重建,但是当加速因子较大时,通过这些算法重建的图像质量会显著下降。深度学习是利用深度神经网络来进行特征表示的一种自动学习过程,现在已经被逐渐应用于图像识别、图像分割等领域。近年来,研究者开始把深度学习应用到快速磁共振成像中来,而这其中最具代表性的就是基于卷积神经网络的快速磁共振成像方法。由于原始采集的磁共振图像数据是k空间的复数数据,经过傅里叶重建之后的图像也是复数图像。在研究初期,研究者主要是利用实数卷积神经网络进行磁共振成像研究,但是这种做法会丢失相位信息。从相位信息中,可以获得包括血流速度、血流流量、定量磁化图等重要信息,因此利用复数卷积神经网络进行快速磁共振成像研究具有重要意义。本文主要研究了基于复数卷积神经网络的快速多通道磁共振成像方法,研究内容主要包括并行磁共振成像算法SENSE和GRAPPA、基于复数卷积神经网络的PCU-Net和C-RAKI方法。具体研究内容如下:（1）研究了SENSE和GRAPPA算法的原理。SENSE算法在图像空间利用敏感度分布图展开混叠图像,GRAPPA算法在k空间利用自动校准信号线和采集的数据重建缺失的k空间数据并重建图像。实验结果表明,在较低加速因子情况下,这两种算法重建的图像质量都较好,但是在高加速因子情况下,这两种算法重建的图像质量都会显著下降。（2）研究了基于PCU-Net网络的快速多通道磁共振成像方法。该方法主要基于U-Net网络和多通道复数模块研究快速多通道磁共振成像方法。在PCU-Net网络的基础上,改进了网络结构,提出了网络结构不对称的PCAU-Net网络,该网络在解码部分减小了网络规模。由于这两种网络参数规模较大,训练时内存消耗较大,可通过循环导入网络参数的方法进行网络训练。实验结果表明,在较高加速因子情况下,PCU-Net网络的重建质量明显优于SENSE和GRAPPA并行磁共振成像算法;PCAU-Net网络取得了和PCU-Net网络相当的重建效果,且降低了模型复杂度、减少了训练时间。（3）研究了基于C-RAKI网络的快速多通道磁共振成像方法。RAKI是一种用于k空间插值重建的卷积神经网络,将实部和虚部作为两个实数通道进行特征提取。该方法最大的优点是在不需要任何先验信息的情况下,利用自身ACS数据进行训练而无需额外的训练样本,从采集的k空间数据中非线性估计缺失的k空间数据,提高了抗噪能力。本文进一步探索改进了RAKI方法,提出了基于多通道复数卷积模块的C-RAKI方法,基于多通道复数卷积模块的计算可保留实部和虚部之间的映射关系,从而提高了相位信息特征的提取能力。实验结果表明,在较高加速因子情况下,RAKI方法的重建质量明显优于SENSE和GRAPPA并行磁共振成像算法;C-RAKI和RAKI相比,在重建图像和图像量化指标上,CRAKI展现了优势。