吉布斯(Gibbs)伪影是在磁共振成像(Magnetic Resonance Imaging，MRI)中常见的主要存在于MRI边缘处的一种环状伪影。在临床应用中,考虑到患者的实际情况,通常会忽略一定数量k空间外围相位编码线来缩短采集时间。对有限的数据使用傅里叶变换进行重建,在重建图像中就会出现Gibbs伪影,这种伪影最终影响临床MRI的诊断价值。如何消除临床磁共振图像中存在的Gibbs伪影变得非常重要。Elias等人提出的局部亚像素移位(Local Subpixel Shift，LSS)通过在图像域搜寻最小的局部总变差消除Gibbs伪影,尽管该方法消除伪影效果明显,但该方法不适用于k空间零填充重建的数据。本文的第一部分我们提出了两种将LSS应用于欠采样数据的方法。第一种方法为LSS+插值,该方法首先将非零填充的k空间数据傅里叶变换到图像域,其次在图像域使用LSS算法搜索最小的亚像素移位,最后将得到图像进行内插获得最终图像。第二种方法为隔行局部变差法,该方法首先对k空间数据进行零填充,其次将零填充后的k空间数据傅里叶变换到图像域,然后在图像域通过隔行局部变差(interlaced Local Variation，iLV)法来搜索最佳的LSS,从而降低图像的Gibbs伪影。为了比较本文所提两种方法的有效性,我们将iLV、LSS+插值与原始LSS算法以及汉明窗滤波器四种算法进行比较分析,分别在体模、T2WI数据中验证了两种方法的可行性与鲁棒性。我们发现,本文提出的iLV和LSS相比,iLV方法可以有效的消除图像中的Gibbs伪影;和LSS+插值方法相比,iLV方法能够更好地保留图像的细节信息;和汉明窗滤波方法相比,汉明窗滤波方法可以导致图像边缘被平滑。本文的第二部分我们将iLV方法用于k空间零填充重建弥散张量成像Gibbs伪影数据中,研究iLV方法对弥散张量数据中Gibbs伪影的改善。首先我们对采集到的C57BL/6J小鼠脑部弥散张量数据进行预处理,其次对预处理后的数据进行不同程度的零填充去模拟含有Gibbs伪影的弥散张量数据,然后用iLV方法对含有Gibbs伪影的弥散张量数据进行校正,通过对校正前后的数据进行弥散张量计算,对其参数图进行感兴趣脑区的统计学分析,以及用确定性纤维追踪算法重建感兴趣脑区的纤维束。我们发现用iLV方法校前后正后数据各感兴趣脑区的FA值均存在显著性差异。此外,我们还对k空间50%零填充重建弥散张量数据进行感兴趣脑区确定性纤维追踪,结果表明用iLV方法处理后的数据追踪的纤维束密度会更大,在扣带回处的纤维长度也有很大的改善。本文提出的iLV方法实现了对传统LSS方法的扩展,能够应用于消除k空间零填充重建图像中的Gibbs伪影,且能够很好地保留图像的细节信息。