动态磁共振成像（Dynamic Magnetic Resonance Imaging,DMRI）技术是医学研究和临床诊断的重要工具,受到物理和生理条件的限制,DMRI技术扫描时间过长使成像质量下降,限制了磁共振成像技术的应用。压缩感知（Compressive Sensing,CS）利用动态磁共振图像的稀疏先验,在高度欠采样的条件下重建图像,大幅减少了采集样本数量与扫描时间,但是仅仅采用稀疏先验并不能充分挖掘动态磁共振图像的内部信息,而且传统的基于傅里叶变换的CS方法对非周期图像重建结果包含明显的混叠伪影。本文采用鲁棒主成分分析（Robust Principal Component Analysis,RPCA）方法将低秩先验信息引入欠采样动态磁共振图像重建优化模型,通过对静态背景矩阵采用核范数促进低秩惩罚,对动态前景矩阵的稀疏变换采用L₁范数促进稀疏惩罚,实现动态磁共振图像动态前景和静态背景的分离。有效保留动态磁共振图像的细节信息,提高了重建图像的质量。针对现有的低秩与稀疏分解算法中采用固定基实现动态前景矩阵的稀疏表示导致的表示种类有限、无法与各类磁共振图像动态前景的复杂结构形成最佳匹配,导致重建图像质量下降的问题,引入盲压缩感知（Blind Compressive Sensing,BCS）,对低秩与稀疏分解图像重建算法进行了改进。将动态前景矩阵分解为稀疏系数矩阵与字典乘积的形式,实现动态前景的自适应稀疏表示。对稀疏系数矩阵采用L₁范数惩罚,对字典采用Frobenius范数约束,促进噪声基函数的衰减,减少重建图像中的噪声伪影。屏息心脏电影图像和自由呼吸心脏灌注图像重建实验结果表明,与常规低秩与稀疏分解方法相比,改进算法对周期图像和非周期图像都具有良好的重建结果。