切伦科夫荧光成像(Cerenkov Luminescence Imaging,CLI)因具有广泛临床可用的放射性核素探针而成为近年来光学分子影像领域的研究热点。该技术利用切伦科夫效应,通过探测放射性核素衰变时产生的切伦科夫荧光,从而对体内核素探针进行成像。但由于切伦科夫荧光的强度值较弱,在采集荧光信号进行成像时需要较长时间。同时又由于放射性核素在衰变过程中会伴随着大量高能射线的产生,在长时间的采集下导致得到的切伦科夫荧光图像会受到噪声的污染,严重影响了CLI图像的质量,给基于CLI的定量分析和切伦科夫荧光断层成像(Cerenkov Luminescence Tomography,CLT)的三维重建等工作带来了困扰。为了探究CLI噪声图像对CLT重建工作的影响,本文针对CLI图像存在的噪声问题,对CLI图像去噪的方法进行了初步探究,具体工作如下:(1)针对放射性核素衰变时伴随着高能射线产生导致的图像污染问题,本文提出了结合模糊局部信息C-均值聚类算法和整体变分模型的切伦科夫荧光图像去噪方法。该方法采用噪声像素区域分割以及图像修复两个步骤对CLI图像进行去噪处理,通过在聚类算法中加入局部空间信息来降低无监督学习算法对噪声的敏感性,再以分类后的结果为主要分析对象进行图像去噪和修复。通过对不同的分类结果进行针对性的去噪和修复工作来降低去噪过程中对图像边缘与细节的影响。仿真实验以及真实实验的结果证明:所提出的去噪方法在能够在有效去除噪声的同时保留切伦科夫光源部位的形状细节。(2)鉴于无监督学习的聚类算法在进行噪声像素区域分割时不可避免的受到噪声的影响,干扰分类的结果。受深度学习的启发,本文提出了基于堆栈去噪自编码器的模糊聚类去噪方法。采用像素点的一个邻域作为网络的输入数据,再提取网络中的高层特征作为聚类算法的输入。相较于直接采用像素特征作为聚类算法的输入,提取图像的抽象特征可以进一步降低噪声像素区域分割时对噪声的敏感性,从而提高分类性能。考虑到CLI噪声图像会影响CLT重建的精度,本文进一步探究了CLI噪声图像与去噪后的CLI图像对重建结果的影响。仿真实验以及物理实验证明:噪声会在一定程度上降低CLT重建的精度,在三维重建前使用所提出的去噪方法进行预处理后,可以改善重建的精度。