磁共振成像(Magnetic Resonance Imaging,MRI)因其具有无电离辐射性、多参数成像、多方位成像等优点被广泛应用在医学临床研究中。然而成像速度一直以来都是制约MRI快速发展的重要原因之一,而且成像过程中有时还会引入伪影,这大大的影响重构效果。因此,如何在保证图像质量的同时,快速成像是MRI技术研究的热点。压缩感知(Compressed Sensing,CS)理论能够打破奈奎斯特采样定理,能够以更少的采样数据通过重构算法恢复出原始信号。由于MRI图像本身就具有稀疏性,而且磁共振图像可编码的特性又满足CS的非相干性,因此,CS的引入,将会给MRI技术的应用带来更大的发展空间。对于CS-MRI快速成像技术而言,图像稀疏性至关重要,而常用的单一的稀疏变换有时并不能满足人们的需要。因此,本文就围绕如何深度稀疏MRI图像完成快速成像问题,主要完成了以下工作:(1)为了深度稀疏图像,我们将尖锐频率局部化Contourlet变换取代小波稀疏,提出了一种新的成像模型--基于尖锐频率局部化Contourlet变换和非局部全变差MRI成像方法。在该方法中,尖锐频率局部化Contourlet变换能够更好的捕捉到图像的曲线特征,在表达曲线奇异性时比小波变换稀疏效果好。此外,非局部全变差不仅可以抑制噪声,而且还克服了全变差所带来的块状效应和图像边缘细节信息丢失问题。基于此,结合这两类正则项的优点,构造一个新的成像模型,并利用算法1对模型快速求解。基于MR图像实验仿真实验表明,该方法在保持图像边缘和细节信息等方面,与其他方法相比更具有优势,可在相同采样数据下获得更为精确的重建结果,并从PSNR、SNR和RENL等标准得到验证。(2)除MR图像的稀疏性外,利用其结构信息,提出了一种包含了小波稀疏变换,树结构,混叠组稀疏以及全变差正则项的新的组合稀疏成像方法。该方法弥补了在图像重构时,因没有考虑图像结构先验信息的影响而造成对图像信息的遗失或破坏的不足。该方法在图像稀疏的基础上,充分利用图像结构稀疏先验信息,并在这种先验信息的指导下,深度稀疏图像,加快了成像速度。基于MR图像的实验仿真表明,该组合稀疏方法能够有效地提高SNR值,其他传统重构算法相比,可在相同采样数据下获得精确的重构图像,并从SNR、PSNR和SSIM等评价标准得到验证。本文所介绍的方法主要利用图像结构信息来促使图像深度稀疏,更有利于MR图像的重构,实验仿真也证明了与其他算法相比,由本文重构出图像在边缘细节保持上更为完整。