PET（Positron Emission Tomography）因其灵敏度高、特异性好、全身显像及安全性好等优势得到了越来越多研究者的关注,同时也是继x射线断层成像（x-ray computed tomography,X-CT）和核磁共振（magnetic resonance imaging,MRI）成像技术之后发展起来的一项需要高技术和高成本同时也是最先进和极其重要的医学领域成像技术。但是,在实际PET采样数据获取的过程中由于受到PET采样系统硬件和软件的限制以及伽马光子在体内传输过程中相互影响,会导致采集到的PET投影数据中往往含有大量噪声,从而会影响PET图像重建的质量。已知当重建出的图像中含有噪声或重建出的PET图像质量不高时会对后续医生的诊断有影响,则在PET成像技术的临床应用中如何通过设计重建算法重建出质量高的图像也是极其重要且非常有研究价值的一个步骤。目前,PET图像重建算法存在的一些主要问题是:不能准确的识别出图像的边缘、过度依赖解剖结构信息与功能信息的符合程度、不能更好的权衡图像平滑程度和图像细节信息。本文针对以上存在的问题进行了算法的研究与改进。主要工作内容如下:（1）实现了基于邻域块先验（patch-based regularization,patch）的PET图像重建算法。在PET图像重建中传统非二次惩罚是通过利用相邻像素之间的强度差来计算图像粗糙度,重建出的图像虽然可以保留边缘信息但当图像含有噪声时仅通过计算相邻像素的强度差不能正确判断出图像的边缘。利用邻域块而不是单个像素来计算图像粗糙度,即使存在噪声干扰时也能准确的识别出图像的边缘同时不会过度依赖解剖结构信息与功能信息的符合程度。（2）提出了基于邻域块先验和高斯滤波（patch-based regularization and gaussian filter,patch-filter）的PET图像重建算法。利用patch算法重建出的图像仍然含有噪声和伪影,参考临床处理此类问题的经验,本文对基于邻域块先验算法重建出的图像进行了后高斯滤波处理,以对patch算法重建出的图像进一步优化。（3）提出了基于邻域块先验和字典学习（patch-based regularization and dictionary learning,patch-DL）的PET图像重建算法。虽然通过实验证明了patch-filter算法优于patch算法,但通过patch-filter算法重建出的图像仍然含有噪声和伪影,如果过度减少噪声则重建出的图像就会丢失一些细节信息,因此本文提出了使用patch-DL方法,该方法可以尽可能的让重建出的图像中的噪声与重建出的图像中细小结构信息达到一个有效的平衡,即重建出的图像既不会因为过度减少噪声造成图像过度平滑细节信息保留较少的情况也不会因为存在噪声使得重建图像质量不佳影响判断的情况。本文利用仿真的二维脑PET数据对本文中提出的PET图像算法进行了性能分析,首先根据重建图像的质量进行了定性分析,然后又根据不同评价指标如平均绝对误差（mean absolute error,MAE）、线性相关系数（correlation coefficient,CORR）和均方根误差（root mean square error,RMSE）来进行了定量分析。实验结果表明本文提出的patch-filter算法和patch-DL算法是有效的,patch-DL算法与现有的PET图像重建算法相比在抑制伪影和噪声的同时也可以使得图像中细小结构信息得以保留。