磁共振成像（MRI）技术具有对人体无损伤,软组织分辨率高,多参数成像等优点,目前已成为临床主要检查技术。但其最大的缺点是成像速度慢,并行MRI和压缩感知MRI是两种加速MRI成像速度的经典方法。并行成像MRI技术是利用多个线圈同时采集数据来缩短扫描时间,但由于噪声的影响,当加速因子较大时,其重建图像质量显著下降。压缩感知MRI技术突破了采样定理,进一步缩短采集时间,但图像重建是迭代进行的,整体成像较慢。深度MRI图像重建不同于传统的重建算法,主要使用网络在大量磁共振欠采样数据和金标准重建图像之间进行学习,获取精准的映射关系,实现快速扫描的同时,快速获得高质量的重建结果。我们主要研究不同结构的卷积神经网络用于并行MRI图像重建的方法,提出复卷积双域级联U-net网络,设计了四种复卷积网络结构,并对训练好的网络模型的性能进行对比分析。首先,对磁共振成像原理及传统重建算法（并行MRI和压缩感知MRI算法）的优缺点进行了研究。并根据网络输入输出磁共振数据类型的不同,对分成的四类深度学习MRI模型,进行了分析。然后,对实卷积的U-net网络的并行MRI图像重建进行研究。根据学习MRI数据类型的不同,分别对单域U-net、双域级联U-net、深度级联U-net等网络结构进行研究,对网络中使用的归一化方法和激活函数以及数据一致性层进行选取,并对三种网络结构的优缺点进行比较分析。接着,对复卷积U-net网络的并行MRI图像重建进行研究。复卷积网络相比实卷积网络,能够更好的保留磁共振数据的复数本质。根据网络输入磁共振数据类型的不同,实现空域复卷积U-net网络和频域复卷积U-net网络的搭建。对复卷积U-net网络中使用的复卷积的原理和网络中使用的归一化方法以及激活函数等进行分析。在单个复卷积U-net网络的基础上,我们提出复卷积双域级联U-net网络,设计了四种复卷积网络结构,并分别对四种网络结构的输入与输出以及网络结构的特点进行研究。最后,在Spyder开发环境中,使用Python3.7完成代码的编写与调试。对网络输入的数据进行预处理,包括:数据筛选、欠采样掩膜设计、加速倍数设置等。在Keras和Pytorch框架下分别完成实卷积复卷积U-net网络的搭建。在网络训练中,对网络训练的超参数进行设置,选用Adam作为优化器。在配置两块16GB的GPU工作站中,完成不同网络的训练。使用训练好的模型进行MRI图像重建测试,并对重建结果进行比较分析。测试结果表明:（1）复卷积U-net网络明显优于实卷积U-net网络,证明了复卷积相比实卷积能够更好的学习到磁共振数据的特点。（2）在复卷积网络中,我们提出的复卷积双域级联U-net网络测试结果明显优于单域复卷积U-net网络,其中IK CW-net在图像视觉效果以及定量评价上,效果均最优。（3）将IK CW-net与目前快速磁共振重建研究中表现较好的深度级联U-net网络（IKIK-net）模型进行对比,得出我们的IK CW-net其对于细节纹理的重建和噪声的去除表现更优。研究结果表明:复卷积U-net网络比实卷积U-net网络能够更好的用于多线圈并行MRI图像重建。提出的IK CW-net网络,是MRI图像重建领域的新方法。将此方法应用到MRI扫描仪的开发和研制上,能够大大提高MRI扫描速度,快速获得高质量重建结果,有助于提高临床诊断的准确性。