近年来,磁共振成像MRI因其能提供较为充足的病理信息逐渐成为极其重要的医学影像分析工具。然而,由于当前磁共振检测仪的成像速度相对较慢,可能会影响最终的医学诊断,所以提高MRI的成像速度成为当前的研究热点。当前加快磁共振成像速度的方式主要分为两种:第一种是通过对核磁共振硬件进行改造的方式实现快速成像;第二种是直接减少K空间采样数据的方式,后期通过设计重建算法由部分K空间数据重建完整MR图像。其中,第二类方法不仅成本较第一类低廉而且可保证较高的成像质量。因此设计MRI重建算法成为当前MRI加速成像的研究热点,特别是随着近几年深度学习的飞速发展,基于深度学习的MRI重建算法备受关注,虽已取得一定的成效但还有不少挑战。本文针对当前MRI重建算法存在的不足展开,提出了基于空频域融合的MRI重建方法。主要创新点如下:首先,当前主流的基于深度学习的MRI重建方法中一般是使用实数卷积网络模型,其并不能有效提取复值特征。本文使用复数卷积网络来学习复值K空间更丰富的表示,提高MRI重建性能。其次,当前的MRI重建方法一般是将原始数据由K空间(即频域数据)变换到图像域(即空域数据),再依据图像表示模型进行重建,并没有有效挖掘及利用K空间数据自身的有效信息。本文考虑到原始K空间数据的重要性,借助深度学习模型强大的非线性拟合能力,挖掘K空间数据的内在结构性。同时结合图像域重建过程,提出一个双域融合的深度级联网络,该模型能够自适应地挖掘K空间与图像域各自隐含的数据信息,达到彼此优势互补,提高MRI重建性能,为MRI重建提供新模式。本文在复数MR图像数据集上进行验证,实验表明使用复数卷积的重建模型其重建性能优于使用实数卷积的重建模型。本文的双域重建模型的重建性能与经典算法相比有较大的比较优势,且相对单域重建模型有了明显的提升。