核磁共振（Nuclear Magnetic Resonance,NMR）作为一种有效的分析技术被广泛地应用于化学物质的结构鉴定中。通常情况下,多维磁共振波谱的采样时间主要取决于其间接维数据的点数,并且当NMR谱的维度增加时,所需的实验时间关于维度呈指数式增加。非均匀采样（Non-uniform Sampling,NUS）技术可以通过在实验时减少谱图间接维的采样点数来缩短实验时间。如果直接采用零填充的方式对非均匀采样（也称为欠采样）后的NMR数据进行处理,就会在谱图中形成大量重叠伪峰。因此,我们需要使用数据处理算法对欠采样的NMR谱图进行重建。传统NMR谱重建方法主要是利用NMR谱图的先验知识（如稀疏性、低秩性等）对建立的优化方程进行正则化约束,再结合最优化算法求出近似解。虽然这些方法能提供良好的重建结果,但是具有计算复杂度大,重建时间长的缺点。深度学习具有强大的非线性拟合能力,并且因为有硬件的加持而拥有很快的计算速度。鉴于此,本文提出了两种基于深度学习的NMR谱重建方法,包括利用虚拟回波减少模型训练时间的编解码高分辨率神经网络重建方法和基于模型驱动的迭代自适应阈值网络重建方法。本文提出了一种编解码高分辨率神经网络。该网络在高分辨率神经网络的基础上引入了编解码模块,该模块已被证明在去除伪峰方面具有良好的效果。接着本文创新地将虚拟回波算法引入到数据的预处理中,该算法可以将NMR谱数据的虚部变为0,因此网络输出层的通道个数只需要设置为1来表征数据的实部即可。实验证明,该方法不仅可以比传统的NMR谱重建算法hmsIST和SMILE具有更快的重建速度,还比经典的卷积神经网络DenseNet和U-Net具有更高的重建质量。同时,相比较于现有的基于深度学习的NMR谱重建方法,我们的方法所需要的模型训练时间也更短。目前大多数深度神经网络的结构都缺乏理论支撑和可解释性,但是传统NMR谱重建算法具有坚实的理论基础。因此,本文借鉴了传统NMR谱重建算法中的迭代收缩阈值算法（Iterative Shrinkage Thresholding Algorithm,ISTA）的理论,设计了一种新颖的基于数学模型驱动的迭代自适应阈值网络。这种方法通过将数学运算层和卷积层作为一个模块,来表征ISTA迭代过程中的一步计算,并使用多个相同的模块组成神经网络的整体结构。实验表明,该方法可以以更少的模型参数量和更短的重建时间来获取高质量的NMR重建谱。