磁共振成像（Magnetic Resonance Imaging,MRI）具有对软组织成像分辨率高、无电离辐射、任意方位成像等优点,被广泛应用于临床疾病检查中。但是MRI成像速度慢,限制了其进一步应用。并行、压缩感知MRI成像技术分别通过多线圈采集和压缩感知理论来加速磁共振成像。但这两种技术,由于硬件和自身理论的限制,在高倍因子加速情况下成像质量较差。目前深度学习也开始应用于快速MRI重建中。相比传统重建方法,它能准确学习出由欠采样MRI扫描数据到金标准图像之间的映射关系,快速获得较高质量的重建图像。但深度学习MRI重建方法大多采用实数卷积神经网络,对磁共振复数数据处理不够合理。针对这个问题,我们提出将双域级联网络和复数卷积相结合,设计了一种复卷积双域级联网络,并将其用于单线圈压缩感知MRI重建。主要工作包含:首先,对磁共振的原理和几种传统的成像方法进行了研究。从核磁共振现象、空间编码定位机制、k空间等方面对核磁共振的成像原理进行了剖析。并对全采样序列、并行、压缩感知等MRI成像技术的原理进行了深入研究。接着,对已有的深度学习MRI重建方法进行了研究。对基于图像域、k空间域、双域级联网络的深度学习MRI重建方法进行了分析比较,并探究了数据一致性层、双域级联等网络结构的原理和作用。然后,对双域级联网络和复数卷积的结合进行了研究。对混合双域级联网络HRCNN进行复数卷积改进,搭建了一种复卷积双域级联网络HCCNN,并将其用于单线圈压缩感知MRI重建中。最后,在Anaconda3平台上,采用Python语言进行代码的编写和调试。对Calgary单线圈全采集数据集进行了数据筛选,采用欠采样掩模来模拟数据的加速扫描,得到原始数据集。并按照5:1:1划分为训练集、验证集、测试集。在Py Torch框架下实现了对各种网络模型的搭建,设置网络超参数,优化网络结构,对网络进行了训练和测试,得到了高准确度的网络模型。对各种网络的重建结果进行了对比分析,结果表明:（1）相比HRCNN网络,我们提出的HCCNN网络在参数量减半的情况下,仍能获得更好的重建质量。（2）与其他深度学习MRI重建网络的比较中,HCCNN重建网络也获得最优的重建质量,并且网络参数量最小。（3）HCCNN重建网络还有很高的重建速度,可达到88张/秒。（4）相比均方误差MSE损失函数,采用平均绝对值误差MAE损失函数作为复卷积双域级联网络的损失函数,可以获得更优的重建图像,在大脑细节上恢复更好。我们提出的复卷积双域级联网络HCCNN能有效的提取MRI数据的复数特征,减少模型参数量和提高重建质量。并且重建速度快,能够满足临床对MRI实时成像的要求。该研究工作具有很强的工程借鉴意义,能为深度学习MRI重建方法在MRI扫描仪上的集成提供思路,真正实现“快速扫描”与“快速重建”为一体的MRI成像,拓宽MRI的临床应用范围。