磁共振成像(Magnetic resonance imaging,MRI)作为临床医学与医学研究中的重要检测手段,目前使用非常广泛。但磁共振成像具有成像速度慢,扫描时间长等问题,从而限制了MRI的进一步推广。压缩感知(Compressed Sensing,CS)理论的提出为快速磁共振成像提供了理论依据,压缩感知磁共振成像(CS-MRI)也成为了近年来快速磁共振成像的研究热点。压缩感知的磁共振成像主要可以分为三个部分:稀疏表示、压缩采样和重构方法。目前大多数CS-MRI方法采用固定的稀疏表示与采样方法,根据不同类型的图像选择不同的稀疏转换方式与采样方式,这一现象为实现压缩感知磁共振成像增加了难度并可能增加不必要的重构精度损失。基于上述问题,本文研究内容具体可分为以下两个方面:第一,本文提出一种基于迭代收缩阈值算法和自适应采样的CS-MRI网络框架,结合压缩感知算法与深度学习网络的优点并实现稀疏表示和采样方式的自适应。第二,关于基于迭代收缩阈值算法和自适应采样的CS-MRI重构网络中,本文提出LS-ISTA-Net、{0,1}-ISTA-Net、{-1,+1}-ISTA-Net、DSLS-ISTA-Net这四个基于不同的采样子网络的重构方法,实现自适应采样的同时,降低图像采样时的计算复杂度以及对于采样矩阵的存储需求并对磁共振图像准确迅速重构。