在医学领域中,如何将先进的科学技术方便、廉价地用于人体医学检查,从而提高人类对疾病的早期预防和治疗,是迫切要解决的问题。而医学影像技术正是解决这一问题的主要手段,其中,电阻抗成像（Electrical Impedance Tomography,EIT）技术是通过测量物体边界上的电压和电流来计算物体内部的电导率分布,与其他成像方式相比,EIT的主要优势是价格便宜、无创伤和快速成像等。EIT图像重建存在严重的病态性、非线性和欠定性问题,而传统的图像重建方法对于噪声干扰和图像伪影的抑制能力有限。因此,本文提出了基于深度学习的远程生物成像方法来进行改进,该方法将快速迭代算法与深度学习相结合,并利用远程通信技术实现远程EIT成像。本文的主要工作和创新点如下:（1）针对EIT图像的初始重建问题,提出了改进的灵敏度矩阵迭代算法（ISM）。由于电阻抗成像的实际灵敏度矩阵是通过均匀分布的场域获得的,总是与理论灵敏度矩阵存在很大偏差,因此本文设计了一种迭代算法来纠正灵敏度矩阵。首先,利用电导率扰动的稀疏性,构造了一个新的全局差分模型,使得该模型的解能够跳出局部最优的约束。其次,设计了一种迭代算法,通过EIT正、逆问题的反复计算,使灵敏度矩阵能够不断逼近理论值。最后,将归一化函数和硬阈值函数相结合来消除噪声和计算误差。实验结果表明,所提出的算法减少了图像伪影、降低了噪声干扰的影响。（2）针对EIT初始重建的后续优化问题,提出了改进的深度学习方法。鉴于传统的方法总是存在计算成本高、噪声大、建模误差大等问题,本文设计了一种名为O-Net的深度神经网络来进行改进。首先,通过ISM算法进行初始图像重建,并将重建后的图像作为神经网络的输入,以此减少神经网络的计算成本。其次,构造O-Net神经网络结构,在输入与输出之间添加跳层连接,提高神经网络的学习效率。最后,在跳层连接之前构建稀疏表示方法,去除输入图像中的噪声信息。实验结果表明,所提出的O-Net神经网络有效地减少了EIT成像的计算成本、提高了重建图像的质量。（3）针对EIT远程通信问题,提出了改进的EIT远程成像系统。由于EIT成像系统在复杂环境下很难对测量数据进行大规模计算,因此本文在传统的EIT系统基础上添加了远程通信模块。具体而言,首先利用EIT基础设备测量被测场域的边界电压,并将其转换为数字信号。其次,将电压数据转换成Modbus数据协议格式,然后利用二次开发接口或虚拟串口软件将数据发送并保存在云端服务器中。最后,后端服务器读取云端数据进行EIT图像重建,并将重建结果返回至移动端进行显示。实验结果表明,本文设计的EIT远程成像系统能够有效实现远程通信功能,并且具有较好的成像效果。