磁共振成像是一种多用途且无损伤的医学影像技术,但磁共振成像过程中所需的大量数据导致扫描时间过长,限制了磁共振成像技术的进一步发展。为提高其成像速度,许多快速成像方法被提出,并行成像是其中效果较为显著的一种。但随着并行成像接收线圈通道数量的增多,庞大的数据存储和复杂的数学计算成为了亟需解决的问题。线圈压缩技术可以很好地缓解这一问题。线圈压缩是将多个线圈通道的数据压缩到更少的虚拟线圈中,从而消除线圈数过多导致的数据冗余。然而目前线圈压缩的研究是基于传统算法的,这一算法带来的缺陷是压缩时间较长及计算量较大,尤其是对于大规模的数据集。为了解决这些问题,本研究提出了一种基于深度学习的磁共振可逆线圈压缩技术。本研究利用深度学习网络的优势,将深度学习与磁共振可逆线圈压缩相结合。在这项工作中,采用选用编-解码网络作为媒介进行数据压缩,设计编码子网络输出压缩线圈数据,进一步设计解码子网络输出得到可逆线圈数据。本研究最主要的优势是提出了三个优化损失函数（可逆性损失、压缩性损失、SOS保持性损失）进行网络训练,以更好地保留图像信息,实现可逆压缩。另外,对复数MRI数据（网络的输入）进行预处理,将其实分量和虚分量按列拼接作为网络的输入,以更好地利用数据信息。本研究不仅可以实现无损压缩,更重要的是实现了可逆恢复,其恢复结果超过40 d B,基本达到完全可恢复。本研究做了大量的仿真实验,并与目前较为经典的线圈压缩算法进行对比,所有的实验结果在视觉和性能指标上均表明提出的方法优于经典线圈压缩算法。