磁共振成像（Magnetic Resonance Imaging,MRI）是通过外部测量的MR信号产生物体内部物理和化学特征的图像,主要应用于医学领域。与其他医学成像方式相比,MRI是一种非侵入式医学成像方法,没有电离辐射损伤。作为一种多序列、多参数对比的成像技术,MRI可以大大提高病变的检出率,并且为诊断提供特异性信息。然而,MRI的主要缺点是数据采集时间长,并且要将病人限制在一个相对封闭的空间,往往会导致不舒服的检查体验和高昂的医疗费用。因此,加速磁共振成像是当下医学成像的重点研究方向,关系着其应用领域的拓宽和患者体验的提升。近年来的研究表明,深度生成模型在加速磁共振图像采集和重建方面已经显示出巨大的潜力,但仍缺乏量身定制的方法来确保高质量的重建。本课题对深度能量模型（Energy-based Models,EBMs）进行了研究,并将其用于并行磁共振成像（Parallel MRI,p MRI）重建。基于深度能量的模型在分布参数化方面非常灵活,为了进一步推进对生成模型的研究,采用最小化f-散度的方法对能量模型进行训练,使得能够使用任何f-散度训练能量模型。利用对偶形式,在先验学习和迭代重建中都采用交替最小化方法。该优化算法可以使用任意f-散度对深度能量模型进行训练,通过基于f-散度最小化的深度能量模型来构造并行磁共振的先验信息,并将其纳入迭代最小化的过程进行并行磁共振重建。本课题的主要工作如下:（1）将基于深度能量的模型应用于并行磁共振重建。基于深度能量的模型在分布参数化方面非常灵活,但由于配分函数难以处理,因而在计算上具有挑战性,本课题采用对偶方法避免了对配分函数的计算。此外,其他f-散度在训练隐式密度生成模型方面显示出优势,基于f-散度的特性,将f-散度最小化与能量模型结合,并对其在并行磁共振重建中的应用进行了综合研究。在先验学习和迭代重建中采用交替最小化方法,使用朗之万动力学,通过梯度信息进行有效采样。（2）本方法应用在复数并行磁共振成像重建中出现的现象与应用在实数值自然图像生成中出现的现象一致:Jensen-Shannon散度和Squared Hellinger散度的效果较好。说明了成像重建任务和图像生成任务在本质上是相似的,能量模型的先验信息在并行磁共振重建中确实发挥了很好的作用。在不同条件下的实验结果表明:与最新算法相比,本方法在多种评价指标下显示出优越性,可以有效地提高重建质量。密度比估计和迭代优化轨迹证明了基于深度能量的模型可以恢复真实的数据分布。