心脏磁共振成像(cardiac magnetic resonance, CMR)过程中患者误动、异常幅度的呼吸运动、心律失常会造成CMR图像质量下降，为解决现有的CMR图像增强网络需要人为制作配对数据，且图像增强后部分组织纹理细节丢失的问题，提出了基于空频域特征学习的循环一致性生成对抗网络(cycle-consistent generative adversavial network based on spatial-frequency domain feature learning, SFFL-CycleGAN).研究结果表明，该网络无须人为制作配对数据集，增强后的CMR图像组织纹理细节丰富，在结构相似度(structural similarity, SSIM)和峰值信噪比(peak signal to noise ratio, PSNR)等方面均优于现有的配对训练网络以及原始的CycleGAN网络，图像增强效果好，有效助力病情诊断.