由于磁共振成像技术具有较高的软组织分辨率以及对被检对象没有辐射作用等优点,目前已广泛应用于临床医学影像中,但是磁共振成像技术在实际应用中存在扫描时间较长、易产生运动伪影的问题。研究者们在提高硬件性能、减少k空间数据采集总量和并行成像等方面做了加速采集的深入研究。但是由于人体生理限制、线圈敏感度等原因,减少k空间数据采集总量的方法已成为磁共振快速成像领域研究的热点之一。近年来随着深度学习的快速发展,研究者们提出研究快速磁共振成像时可以借助卷积神经网络技术。利用卷积神经网络进行磁共振成像的研究初期主要是基于实数卷积神经网络进行的,只能重建幅值图像,相位信息全部丢失。而原始k空间磁共振数据是复数数据,因此为了保留磁共振图像的相位,研究者们提出了两种对复数磁共振数据重建的复数卷积神经网络方法:第一种是将复数磁共振数据的实部和虚部分别作为两通道实数训练网络;第二种是将复数磁共振数据的幅值和相位信息分别作为两通道实数训练网络,或者幅值和相位作为两组数据各自训练对应的网络。然而上述两种方法都会破坏幅值信息和相位信息之间的相关性,重建的相位图像质量会受损。在临床医疗影像诊断中,不仅幅值图像可以帮助医生诊断病人病情,相位也能获得很多重要信息,包括血流速度、血流流量、温度、定量磁化图、脂肪-水分离、化学移位成像和脑分割等,因此研究复数磁共振图像重建显得十分有意义。基于上述原因,论文中提出了两种复数卷积神经网络（CR2UNet和CAR2UNet）来重建复数磁共振图像。从复数卷积神经网络的数学理论出发,搭建合理的复数网络进行重建复数欠采样磁共振图像。本篇论文主要是研究了基于实数卷积神经网络ADNet、复数卷积神经网络CR2UNet和CAR2UNet的快速磁共振成像方法。具体研究内容如下:（1）研究了利用实数ADNet卷积神经网络对磁共振数据的幅值图像进行重建的方法。首次将ADNet卷积神经网络应用于快速磁共振成像中,其中ADNet是一种利用注意力机制去噪的卷积神经网络。该网络比实数U-Net卷积神经网络的结构更简单,根据重建图像和总相对误差以及结构相似性误差函数分析讨论,ADNet卷积神经网络比实数U-Net网络重建速度快,重建效果略好。（2）研究了基于CR2UNet卷积神经网络的复数磁共振图像的重建方法。首次提出CR2UNet卷积神经网络并将其应用于复数磁共振成像中。CR2UNet网络是在CUNet卷积神经网络的基础上引入了复数递归残差模块,解决了网络在训练时因为网络层次太深而引起的梯度爆炸或者消失的情况,以及CR2UNet网络加深时,大量增加网络参数数量的问题。实验结果表明CR2UNet卷积神经网络比CUNet卷积神经网络重建图像的幅值SSIM值更大,TRE值更小,说明CR2UNet卷积神经网络的重建效果更好。（3）研究了基于CAR2UNet卷积神经网络的复数磁共振图像重建方法。首次提出CAR2UNet卷积神经网络并将其应用于复数磁共振成像中。磁共振图像在临床医学诊断中最感兴趣的往往是被检者的病变部位或者产生异样的部位,而注意力机制模块在图像重建时着重关注图像中的不相关区域（不相关区域指可能病变部位或者产生异样部位）。基于上述原因我们提出CAR2UNet卷积神经网络,引入复数注意力模块的CAR2UNet网络增加了模型的灵敏度和重建精度。实验结果表明CAR2UNet卷积神经网络比CR2UNet卷积神经网络重建图像的幅值SSIM值更大,TRE值更小,表明CAR2UNet卷积神经网络的重建效果更好。