核磁共振成像（Magnetic Resonance Imaging,MRI）具有无辐射、非入侵性的特点。但是成像过程会耗费大量的等待时间,可能让病人感到不适。目前通常采用减少采集数据量的方式来达到减少成像时间的目的,而只采集部分信息往往会引起混叠效应。核磁共振成像重建算法就是从混叠数据中重建出接近参考图像的高质量的图像。从处理的数据类型来看,重建算法可以被分为频域重建算法和图像域重建算法。目前大多数的重建算法都只关注了频域数据或图像域数据,为了综合利用两种形式的数据,本文将频域重建算法和图像域重建算法相结合,直接从降采样的频域数据中精确重建出无混叠的图像。基于这个思路,本文进行了如下研究。本文首先验证了联合重建的有效性。在Calgary-Campinas公开数据集和鑫高益公司提供的数据集上进行了不同采样率的重建实验,实验结果表明在频域上进行重建的Grappa算法能够较好的恢复出图像细节部分,并且保留了较高的图像对比度,但是Grappa算法对采样率有着非常严格的限制,在低倍采样率下,会出现噪声放大的现象。在图像域上进行重建的全变分（Total Variation,TV）算法和两级Bregman字典更新（Two-level Bregman Method with Dictionary Updating,TBMDU）算法能够较好的去除图像伪影和噪声,但是会损失较多的图像细节。频域和图像域的联合重建算法能够综合利用两种算法的优点,在相同的采样率下有着最优的重建结果。但是在低倍采样的情况下,受传统重建算法模型的限制,无法有效地抑制伪影和保留图像细节。本文将联合重建的思想与卷积神经网络相结合,提出了双域联合重建网络Hybrid Net,Hybrid Net既能利用频域数据的相关性进行填充,还能有效地去除图像伪影和噪声。同时本文还提出了数据一致性模块,能够对整个频域空间而不仅仅只是采样位置进行了数据修正。本文在Calgary-Campinas公开数据集和鑫高益公司提供的数据集上进行实验验证,实验结果表明该网络具有较好的效果。