磁共振成像（Magnetic Resonance Imaging,MRI）由于具有软组织分辨率高、无电离辐射以及多方位、多参数成像等优点,是临床诊断最有价值的成像方法之一。然而,MRI的主要缺点之一是扫描时间较长。长时间的扫描不仅不够经济高效,还会由于病人无意的运动次数增加,导致采集到的图像带有运动伪影,严重影响图像质量。这些因素使得MRI应用受到限制。因此,加速磁共振成像和校正图像的运动伪影非常重要。为了加速数据采集,一般采用压缩感知（Compressed Sensing,CS）算法对k空间欠采样数据进行重建,或者用超分辨率重建算法进行超分重建。但当受试者在采集过程中发生轻微的运动时,传统方法已难以重建出理想的效果。同时传统的重建算法往往需要经过多次迭代计算,使得重建时间过长。为了减少运动伪影,在数据采集时可以对受测部位进行物理固定、使用镇静剂、呼吸配准等方法,但这会增加成本和风险。James G.Pipe在1999年提出通过螺旋桨磁共振成像方法来校正运动。但由于螺旋桨采样轨迹覆盖全部k空间数据,甚至需要对采样轨迹重叠区域进行重复采集,导致采集时间过长。由于大量数据集的积累和高性能计算硬件,如图像处理器单元的普及,深度学习已经成为了计算机视觉研究的重要工具。它可以通过学习k空间数据和与之对应的图像域的数据之间的映射关系,来从欠采的k空间数据预测出完整磁共振图像。本文围绕磁共振数据采样方式和重建算法等问题进行一系列研究,主要包括以下三个部分:一、介绍磁共振成像的原理和采集方式,进而对螺旋桨磁共振成像方法进行了详细介绍。接着对压缩感知磁共振成像理论进行介绍,并阐述了目前采样方式存在的问题。最后介绍了深度神经网络的相关理论,详细介绍了在我们工作中用到的卷积神经网络及其网络结构的发展。二、提出了基于螺旋桨欠采样和神经网络的单通道磁共振图像采集与重建方法。设计了欠采的螺旋桨采样方式,借助神经网络,学习欠采的k空间数据和与之对应的图像域数据的映射关系,来预测出完整图像。该方法在减少了磁共振数据采样时间的同时,还保证了图像重建质量并校正了物体的运动,大大降低了图像的运动伪影。我们对模拟运动数据和实采运动数据都采用新方法进行采样和重建,实验结果验证了所提出的新方法的有效性。三、利用多通道螺旋桨欠采样数据对我们提出的基于螺旋桨欠采样和神经网络的单通道磁共振图像采集与重建方法做进一步验证。根据并行成像的特点设计了基于多通道的螺旋桨采样序列,将基于此序列采集到的多通道欠采伪影图像转换为单通道欠采伪影数据,并送入训练好的网络模型得到去除伪影的图像。模拟实验和实采模型实验验证了所提出的方法的有效性。