磁共振成像具有扫描时间长的缺点,过长的扫描时间容易给磁共振成像带来运动伪影,而且还可能会加重患者的病情,提高单位时间内的扫描成本,因此快速的磁共振图像重建一直是磁共振成像的研究热点。压缩感知作为目前主流的稀疏信号重建方法已经在快速磁共振图像重建领域取得了较好的效果,然而其复杂的理论知识导致其具有较高的研究门槛,并且耗时的在线重建流程也饱受诟病。因此,一种更快更方便的快速重建方法是快速图像重建领域目前亟待解决的问题。深度学习作为高效的函数估计方法而广泛应用于各个领域。其中,卷积神经网络(CNN)因其具有极强的图像特征提取能力而受到图像处理领域研究人员的青睐。它不同于压缩感知重建算法,将线上重建的时间转换为线下网络进行训练的时间,从而大幅度降低了网络在线上对磁共振图像进行重建的时间。此外,由于大数据的驱动以及CNN极强的特征抽象能力,基于神经网络的快速磁共振图像重建方法能拥有更好的重建性能和重建出更清晰的图像结构。基于此,本文提出了一个基于轻量级CNN的快速磁共振重建网络,该网络综合采用了级联结构,数据一致性网络层和特征混洗模块三种结构来对磁共振图像进行重建。实验证明,该网络具有更少的计算量和网络参数,并且重建出的图像质量优于目前已有的重建算法。除此之外,本文还通过重建网络未见过的数据集——不同欠采样率和带有病理结构的图像来对网络的泛化性能进行验证,实验证明网络在未见过的数据集上也有良好的重建效果。自注意力机制被证明在机器翻译领域上具有卓越的效果。因此,本文还关注将自注意力机制和卷积神经网络相结合用于快速磁共振图像重建领域。本文基于上述方法提出了一个基于自注意力机制的具有U-Net结构的网络模型,该网络在第三层和第四层的联合操作中引入了自注意力机制来提高网络对高维抽象特征的筛选能力。实验证明,该网络比不加入自注意力机制的网络具有更好的重建效果,能重建出更加清晰的细节和更复杂的图像结构。