核磁共振成像是一种十分重要的医学成像手段,但其长时间的数据采集过程限制了它在临床中的应用。为了解决核磁共振成像过程中数据采集时间过长的问题,人们提出了一种对k空间数据进行欠采样的方法,这在理论上加快了核磁共振图像采集的过程,但是对k空间数据进行欠采样违反了 Nyquist-Shannon(奈奎斯特-香农)定理。这样会导致根据欠采样的k空间数据重构出的图像会出现严重的伪影以及带来图像细节模糊等缺点。解决这个问题的难点是找到一种利用先验知识弥补缺失数据并重构欠采样图像的算法。目前有许多基于压缩感知并行成像原理的核磁共振加速方法被提出,此类方法大多能很好地根据欠采样的k空间数据重构出图像质量较好的核磁共振图像。但此类方法的核心算法普遍采用传统的字典学习方法,其算法效果仍有很大的提升空间。目前深度学习深受研究人员欢迎,在核磁共振加速领域同样有人提出基于基于深度学习的解决方法,这些方法大多需要训练庞大的级联卷积神经网络,由于此类网络的训练往往需要大量的高品质数据集,且训练出的网络往往会出现过拟合的情况,所以这些方法的表现也并不是尽如人意。本文提出了一种利用深度学习方法对基于联合稀疏编码的无校准并行核磁共振成像技术(Learning joint-sparse codes for calibration-free parallel MR imaging,LINDBERG)进行优化的方法,其中本人曾参与LINDBERG的研究与实验,并以第三作者的身份完成了该论文的发表。首先本文将LINDBERG与一些其他的方法在一个相对公平的环境下进行了比较,通过比较重构的核磁共振图像的视觉效果、量化指标以及误差图等方面我们发现LINDBERG在诸多方面超越了其他方法。然后本文利用深度学习方法进一步优化LINDBERG所重构的核磁共振图像,由于存在核磁共振图像的初步重构,简化了神经网络待处理的问题,所以本文仅设计了一个较浅层次的卷积神经网络,又由于该网络中没有全连接层使得该网络的参数量得到减少,因此本文提出的神经网络易于训练且降低了对于训练数据集的要求。最后我们通过比较LINDBERG所重构的核磁共振图像与融合字典学习和深度学习的加速核磁共振成像方法所重构的核磁共振图像,我们发现本文提出的方法确实能够进一步优化LINDBERG。且本文提出的融合传统字典学习与深度学习的新思路将两者取长补短也应该能使其他领域的到启发。