磁共振成像由于其无创性,并能提供多对比度体内成像信息,已在临床医学上得到了广泛的应用。然而,长时间采集带来的不舒适感及运动伪影等因素限制了磁共振成像在时间要求严格条件下的应用。为了加速磁共振成像,一般对k空间欠采样数据使用压缩感知算法进行重建,或者对时域空间低分辨率图像进行超分辨率重建。传统最优化算法已经在欠采样磁共振图像重建上取得了很好的效果。然而,当采样率过低的时候,比如低于20%,传统方法难于重建出理想的效果。本文由近年来深度学习在计算机视觉领域上所取得的瞩目成就所启发,提出基于卷积神经网络的增强递归残差网络模型,用于欠采样磁共振图像重建,其中包括压缩感知重建与超分辨率重建。增强递归残差网络由嵌入子网络,推理子网络和重建子网络三部分构成,其基于递归残差网络模型,并添加一系列功能模块进行性能增强。第一,设计高频特征引导功能模块指引网络训练。从标签样本数据上提取的高频先验信息,用于指引推理子网络推导出图像高频细节,作为残差学习的补充,并进一步约束重建的解空间。第二,使用误差纠正模块对深度神经网络的预测进行数据保真约束。根据欠采样方式的不同,对于压缩感知重建,我们使用数据一致层以充分利用采集到的k空间数据;对于超分辨率重建,误差纠正模块为反向投影单元,以充分发掘低分辨率与高分辨率特征信息间的相互依存关系。第三,我们对网络的递归残差块进行密集连接。根据递归学习的参数共享特点,提出不同于已有的密集连接方式,对网络前面残差块的输出只分配一个可训练的标量,以减少网络的参数与运算。我们用多组磁共振图像数据进行相关实验,包括实数值和复数值的MR图像,健康的和病体的MR图像。实验结果显示,我们的增强递归残差网络在压缩感知重建及超分辨率重建中,均比典型的基于优化的方法和基于卷积神经网络的方法效果更好。为了进一步提高网络性能,我们利用局部及全局的密集连接方式构造推理子网络,以增加一定的网络参数为代价,构造增强级联残差网络,并取得了更优越的网络性能。