磁共振成像（Magnetic Resonance Imaging,MRI）技术是一种无创探测手段。然而成像过程需要大量的时间采集数据,无法快速精确地成像。压缩感知磁共振成像（Compressed Sensing Magnetic Resonance Imaging,CS-MRI）为减少MRI数据采集,加速成像过程提供理论依据。但是传统基于压缩感知的重建方法,依靠稀疏变换与大量数学迭代计算,无法快速完成图像重建。近年来随着深度学习的发展,卷积神经网络在图像方面的研究也展现出了巨大的潜力。在CS-MRI基础上,深度学习方法可凭借卷积神经网络快速完成重建。本文的主要的研究内容如下:首先,针对生成对抗网络模型在普通图像处理领域的优势,本文对生成对抗网络模型展开了研究,并且提出了一种应用于MRI欠采样重建的生成对抗网络模型。该模型以竞争共赢式的训练方式,实现在训练过程中生成器与鉴别器互相博弈,共同提升整体网络模型的重建性能。然后,在卷积稀疏编码的理论基础上,并结合卷积神经网络,提出了成功应用于MRI欠采样重建的四种展开迭代神经网络模型。第一,本文提出了CSC-Net模型,并引入残差结构对CSC-Net改进,提出了RCSC-Net模型。第二,本文对卷积稀疏编码的单一卷积字典条件约束条件放松,以多个卷积字典完成编解码过程,提出了ACSC-Net模型,并引入残差结构对ACSC-Net改进,提出了ARCSC-Net模型。CSC-Net模型与RCSC-Net模型,主要以少量的卷积层与卷积转置层组建迭代子网络;ACSC-Net模型与ARCSC-Net模型,主要以少量的卷积层组建迭代子网络。实验中,本文使用了磁共振脑图像验证了,相关改进后网络模型重建性能的提升。并且在细节丰富的脑图像上,四种网络模型展现出了超越对比方法的高效学习能力。