磁共振扩散成像（Diffusion Magnetic Resonance Imaging,d MRI）是目前无损检测组织微观结构的主要手段。但由于较长的成像时间以及易受运动影响,导致图像信噪比较低同时给病人带来不适。为了缩短成像时间,压缩感知技术被引入,通过从欠采样的数据恢复得到全采样数据的方案,可以达到加快成像速度的目的,因此在磁共振成像重建中得到广泛应用。在d MRI领域,已有基于传统压缩感知方法提高d MRI成像速度的相关研究被提出,但传统方法存在重建时间较长以及重建质量难以满足临床要求的缺点。为解决传统压缩感知重建方法计算时间较长,重建质量不佳的问题,本文拟利用深度学习模型,设计快速有效的压缩感知d MRI重建算法,具体如下:（1）提出一种基于生成对抗网络的压缩感知重建算法,用于重建高质量的扩散张量成像,称为CSGAN。该方法通过博弈中的极大极小的优化过程,使生成器学习从欠采样数据分布到全采样数据分布的映射,达到重建的目的。为了提高重建扩散加权图像的质量,CSGAN嵌入SE模块,在对抗损失中加入针对空域图像和k-space信号的内容损失。实验结果表明,与其他方法相比,该模型能够恢复高质量的成人离体心脏和婴儿离体心脏的扩散加权图像,并且在重建的扩散张量图像、FA和MD方面也具有较高准确度,重建d MRI的纤维方向与真实数据的纤维方向较接近。（2）提出多域重建自适应融合的深度神经网络模型SKQNet,以在高倍欠采样下,实现高角度分辨率扩散成像（High Angular Resolution Diffusion Imaging,HARDI）的准确重建,该方法由三个子网络组成,分别为针对空域图像重建的SDNet、针对k-space信号重建的KDNet、自适应多域融合KSD网路。模型的优化目标引入扩散梯度加权损失,用以强化各扩散梯度方向的扩散加权图像之间的相互关系,得到更好的重建效果。实验结果表明,与其他先进的图像重建算法相比,该模型能够得到更高质量的大脑HARDI重建结果,在扩散性质GFA、NQA和ODF方面的重建准确度更好。