并行成像是加速磁共振成像数据采集的常用方法,可以适用于目前已有的序列且不会影响图像的对比度,同时也不会引入过多的伪影。但是,并行磁共振成像的加速倍数受线圈数目的限制,引入压缩感知中的随机采样和稀疏图像重建是加速并行成像和提高图像质量的重要手段。在快速成像中,欠采样的多通道k空间数据需要通过求解图像稀疏重建的最优化问题得到完整的磁共振图像。然而,求解这些问题的数值算法通常比较耗时,需要经过成百上千次迭代才能得到稀疏重建模型的最优解。因此,如何快速重建高质量图像依然是亟待解决的重要问题。近来,深度学习凭借深层的网络结构和硬件的强大计算能力,被研究人员引入到快速磁共振成像的图像重建中,实现了比传统压缩感知方法更快的重建和更低的重建误差。但是对于磁共振并行成像而言,现有的深度学习磁共振重建方法的加速倍数有待提高,网络也缺乏较好的可解释性。如何在高加速成像倍数下进行解释性强的磁共振图像重建是本学位论文的研究重点。本文首先回顾了磁共振并行成像、压缩感知和深度学习的前沿进展,然后提出了 一种基于深度学习的并行磁共振图像重建网络。受快速迭代软阈值投影算法的迭代求解过程启发,所提重建网络结构由固定数目的迭代块级联而成,每一个迭代块均包含数据校验模块和网络学习模块。在网络学习模块中,还引入了残差结构来提升网络的学习能力。所提方法与最新的深度学习方法在公开的膝盖数据集中相比,能够以重建速度不超过1秒每张的前提下,获得最低的重建误差和临床医生盲评的最高图像质量。此外,还将所提深度学习网络扩展到多对比度磁共振图像的联合重建上,实验结果表明,重建图像误差低于单对比度图像重建误差。