磁共振成像是一种无创性影像学成像技术，与X射线或计算机层析成像相比，磁共振成像的最大优点是安全、快速、准确，对人体没有任何伤害。但是，常规的磁共振成像扫描时间较长，成像速度较慢，无法满足心脏实时成像等高端临床应用的要求，而磁共振并行成像技术的出现改善了这一状况。磁共振并行成像突破了传统磁共振成像时间受射频硬件以及磁场梯度性能的限制。其中，磁共振并行成像GRAPPA算法已经在商业中得到了广泛的应用。但是目前还未见基于32通道线圈的GRAPPA重建参数与重建图像质量之间关系的详细报道，也未见有关神经网络在GRAPPA算法中的应用。本论文详细研究了GRAPPA算法的重建以及采集参数与图像质量之间的依赖关系。并把神经网络应用到GRAPPA算法中。论文的主要工作与贡献如下：（1）详细研究了基于32通道线圈的矢状和横断脑部数据的GRAPPA重建算法采集及重建参数与图像质量之间的依赖关系。研究结果表明：最优化图像重建参数的选择是核大小限定在b_x=5-7,b_y=2-4范围内，而自校准行数的选择要大于其下限N_acs=10-14。（2）把神经网络与GRPPA算法相结合，提出了基于神经网络的新的GRAPPA算法理论和方法，并对其进行了初步的探索与研究，为后面继续研究开辟了新的道路。研究结果表明：R=2时的重建图像质量最好，但是随着R的增大，图像伪影越来越严重。同时，重建图像质量还受自校准行数的影响，自校准行数越多，图像质量也越好。