磁共振成像可以无损地描绘患者体内的结构和功能特征,为当今的医学诊断和研究提供了支持。但是,磁共振成像数据采集速度缓慢导致了非理想的空间分辨率,引起患者不适并阻碍了对时间要求严格的诊断的应用。而快速磁共振成像重建技术可以很好地克服上述缺陷,因此,吸引了众多研究者的关注。深度学习特别是生成模型的快速发展为快速磁共振成像重建技术提供了新的方案,本论文研究基于生成模型的磁共振快速成像重建无监督学习方法。在无监督学习方法中,我们首先通过训练生成模型去学习磁共振图像数据的概率分布,然后在测试过程中,生成模型作为先验项去更新欠采样数据,再实施数据保真项更新,二者轮换更新以得到最佳重建效果。本篇论文的主要贡献如下:（1）首次将可逆流形生成模型应用在磁共振成像重建中,基于生成流的模型通过引入1×1可逆卷积显示出强大的学习能力,这是因为它允许精确似然优化和有效的图像合成。在这项工作中,我们将流模型与低秩原理结合在一起,以在磁共振重建中获得更多细节保留,该方法称为低秩约束和可逆流形生成网络先验。具体的,通道自复制策略用于形成6通道低秩高维张量。然后将6通道张量放入流模型中以学习磁共振图像的低秩信息。最后,在迭代重建中将学习到的先验信息作为正则项约束。（2）创新性的将生成模型下生成密度先验的同伦梯度应用在磁共振成像重建中,而不是与现有生成模型方法一致去优化密度先验,更确切地说,为了解决生成密度先验中的低维流形和低数据密度区域问题,我们估计了高维空间中的目标梯度。我们通过在训练阶段将高维张量作为网络输入来训练功能更强大的噪声条件评分网络,在训练过程中还会注入更多的人为噪声。在重建阶段,采用同伦方法来求解生成密度先验的同伦梯度,以提高重建性能。在不同的采样轨迹和加速因子下的实验结果表明:提出的两种方法在峰值信噪比,结构相似度和高频误差范数方面具有优越性。与最新技术相比,该技术可以有效地提高重建质量,并且在细节保留方面具有出色的性能。