El propósito de la resonancia magnética por muestreo comprimido (CS-MRI) es reconstruir imágenes claras utilizando datos del espacio de muestreo de Nyquist. Al reducir la cantidad de muestreo, la imagen por resonancia magnética puede acelerarse, mejorando así la eficiencia de la recolección de datos del dispositivo y aumentando el rendimiento del paciente. Los dos desafíos básicos en CS-MRI son diseñar máscaras de muestreo dispersas y diseñar algoritmos de reconstrucción efectivos. Para ser coherente con la conclusión del análisis de la teoría de CS, proponemos un modelo de optimización de dos niveles para optimizar la máscara de muestreo y la red de reconstrucción al mismo tiempo bajo las restricciones de los términos de datos. La subred de muestreo propuesta se basa en una estrategia de gradiente aditivo. En nuestra subred reconstruida, diseñamos una red de despliegue profundo de fase basada en el algoritmo iterativo de Bregman para encontrar la solución de problemas restringidos resolviendo una serie de problemas no restringidos. Los experimentos en dos conjuntos de datos de resonancia magnética ampliamente utilizados muestran que nuestro modelo propuesto produce patrones de submuestreo y modelos de reconstrucción personalizados para los datos de entrenamiento, logrando resultados de vanguardia en términos de métricas cuantitativas y calidad visual.