基于压缩感知的磁共振重建技术（Compressed Sensing Magnetic Resonance Imaging,CS-MRI）可以有效地解决磁共振扫描速度较慢的问题,是磁共振快速成像领域的研究热点。压缩感知技术使用非相干的随机k空间欠采样轨迹采集磁共振数据,并且利用图像的稀疏性,通过非线性优化的方法将欠采样的数据恢复出来,可以得到与原始图像质量相近的高质量重建结果。在CS-MRI框架下,选用合适的稀疏变换方法可以提高磁共振图像的稀疏性,提升重建质量。字典学习是一种可以有效提高磁共振图像的稀疏性的方法,能够提升CS-MRI的重建效果。字典学习方法在实际应用中通常会将图像分割成很多的小图像块,这有利于更充分地学习图像的局部细节特征,抑制混叠伪影和噪声。同时,字典学习方法还可以通过整合训练集图像或先验图像的先验信息来指导CS-MRI重建。先验图像能够提供一些目标图像的结构特征和解剖细节信息,使用先验图像可以充分利用目标图像内的冗余信息来提高图像的稀疏性,指导重建过程快速收敛,同时提高重建精度。本论文主要研究了基于字典学习的CS-MRI重建算法,并做出了如下一些贡献:（1）提出了自适应双字典学习方法,在迭代重建的过程中同步更新结果图像和高、低精度的双字典。更新后的双精度字典同时包含了训练集图像的先验知识和目标图像的信息,具有充分的自适应性,并且能够克服普通的双字典学习方法对训练集图像要求高、易受到重建参数和初始字典的影响等缺陷,提高了算法的灵活性,并降低了对重建参数的敏感性。（2）提出了“自先验图像”的概念,并且成功地将自先验图像的约束与字典学习方法结合起来,改善了静态磁共振重建结果的质量。自先验图像可以直接从目标图像的欠采样k空间数据中重建得到,也可以结合训练集图像通过字典学习方法重建得到。自先验图像的获取方式非常简单,能够解决大部分静态磁共振重建算法不能有效获得先验图像的难题,拓展了先验图像的应用范围。基于自先验图像对目标图像进行分解,能够获得十分稀疏的残差图像,再对残差图像应用压缩感知和字典学习方法可以显著提高重建性能。（3）提出了结合自先验图像和字典学习的动态磁共振并行成像方法。使用有监督的随机采样方法将扫描所得的多帧数据联合组成一个完整的合成k空间,然后根据合成k空间将各帧k空间缺失的数据补充完整,进而重建得到自先验图像。各帧的自先验图像的静态区域与目标图像几乎完全相同,两者的残差图像具有很高的稀疏性。本论文还结合字典学习和并行成像技术,有效地利用了动态磁共振数据各帧图像和不同线圈通道的数据之间的时空相关性以及联合稀疏性,提升了在很低的k空间采样率情况下动态磁共振成像的质量。总之,本论文提出了简单高效的先验图像获取方法,并且提出了一些将字典学习与先验图像的约束和并行成像等技术有效地结合起来的CS-MRI重建算法,还利用自适应的字典更新技术,提高了静态和动态CS-MRI重建结果的质量。