磁共振成像技术利用原子核自旋运动的特点得到人体各组织形态图像,目前已普遍应用于临床诊断。但由于磁共振成像时间长,无法满足脑功能成像、心脏动态成像等快速成像的要求。不过,并行磁共振成像利用相控阵线圈的空间位置信息代替部分相位编码步数,在大幅度提高成像速度的同时能够保证图像质量和较高的空间分辨率,突破了传统磁共振成像时间受硬件条件和磁场性能的限制。但并行磁共振成像的欠采样因子不能太大,且重建过程中存在病态性等问题,而将部分傅里叶成像与并行成像相结合,能够实现更高的采样速度并能有效缓解并行成像噪声放大的问题。因此本文主要针对结合部分傅里叶成像的并行磁共振成像算法进行深入研究。平方和(SOS)算法被认为是在不知道各个相控阵线圈确切的灵敏度情况下最优的图像合成方法。但平方和算法对各个线圈图像采用相等的权重进行合成,同时对外部噪声不能很好地抑制,导致得到的最终图像存在信号偏差、信噪比低等问题。因此,本文提出了一种新的基于平滑滤波器的加权平方和算法。该算法首先利用平滑滤波器对各个相控阵线圈的重建图像进行去噪处理,然后以各个线圈的灵敏度作为图像合成的权重。通过仿真实验表明,与平方和算法相比,本文的改进算法能够有效地消除伪影,提高图像信噪比。传统的全局自动校准部分并行采集技术(GRAPPA)利用已采样的K空间数据线性拟合得到权重系数。但在相控阵线圈实际采样的数据中包含噪声和截断误差的测量值,因此,线性计算得到的权重系数与实际的权重系数存在偏差。针对该问题,本文提出了基于自适应神经网络的部分K空间GRAPPA重建算法。该算法利用自适应误差反向传播(BP)学习算法对权重系数进行训练,然后利用已训练好的神经网络和已采样数据估计出未采样的K空间数据。实验证明,本文提出的算法能够有效减小重建图像的伪影强度和均方根误差,改善重建图像的质量。