磁共振成像（Magnetic Resonance Imaging,MRI）是一种高效的医学成像工具,有着诸多独特的优势。然而MRI的一个弊端是它的成像时间过长,影响了病人的体验以及降低了最终的成像质量。过去几十年间,MRI信号的欠采样重建成为加速MRI技术的热门思路,如并行成像、基于压缩感知的MRI重建等。深度学习技术出来后,研究者们将其引入到MRI的欠采样重建中,虽然取得了一定的研究成果,但还有很大的探索空间。本文基于深度学习技术,研究双域卷积神经网络在MRI重建中的使用,包括单通道MRI重建以及多通道并行MRI重建。本文的主要工作包含以下两点:（1）提出基于双域U-net的单通道MRI重建方法。目前大多数的基于深度学习的MRI重建方法还是集中在图像域中处理,这类方法没有很好地利用欠采样MRI中的频域信息。本课题设计了一种新的双域混合模型,并使用了 U-net中的多尺度思想,在多个分辨率下重建图像,并且交替在K空间与图像域进行重建,在每个子网络后都使用了数据一致性模块对重建结果进行校正,同时融合多个子网络的重建信息,提高MRI重建的精度。最后,本文通过自比较实验以及与其它优秀算法的对比实验,验证了本文所提出方法的有效性。（2）提出基于模型展开的并行MRI双域重建方法。相对于单通道MRI,并行MRI使用了多个处于不同位置的线圈接收成像信号。本课题构建了多通道并行MRI的数学重建模型,并且使用梯度下降法将其展开,根据此来设计重建网络。该网络使用多个双域子网络级联而成,在每个子网络中,首先通过一个K空间的网络对欠采样的K空间数据进行插值操作,随后再使用图像域中的网络做进一步的去噪处理。同时,我们使用一个简单的网络来预测每个接收线圈的敏感度图,并在每轮迭代后使用新预测出的数据进行更新。随着迭代次数的增加,每个子网络的重建难度也会逐渐降低,重建精度也会越来越高。最后,本网络使用了多级监督损失来进行训练。实验结果表明,本文所提出的方法有着很好的重建质量。