X射线发光断层成像（XLCT）由于一次激发即可同时获得光学信息及解剖结构信息而成为一种具有潜力的分子成像技术,在预临床研究中被广泛关注。光学传输模型和重建算法是影响XLCT性能的两个关键因素,实现XLCT快速准确的重建是实际应用的迫切需求。本研究基于光传输理论和稀疏重建理论,在混合光传输模型与重建算法等方面展开研究。通过构建扩散方程（DE）与三阶简化球谐近似（SP3）的混合模型解决XLCT中光传输模型不匹配的问题,同时采用更加精准高效的重建算法缓解重建过程中的病态性问题,以此实现XLCT成像的高精度与高效率。本文的研究内容及创新点如下:（1）为了克服单一光传输模型的局限性,提出了混合DE-SP3模型作为XLCT的光传输模型。首先分别采用DE模型和SP3模型模拟光在不同器官中的传输过程,并与蒙特卡罗方法的结果相比,将这些器官分为两类,一种是DE适用的组织（肌肉和肺）,另一种是SP3适用的组织（心脏、肾脏、肝脏和胃）。根据以上分类结果,构建混合DE-SP3模型,以更准确地描述光在生物组织中传输的这一过程。仿真结果表明,混合DE-SP3模型具有比DE更高的空间分辨率和比SP3更低的计算成本。（2）由于生物器官组织的高散射特性,XLCT的逆向光源重建是一个高度的病态性问题。为了实现快速迭代和精确的稀疏重建,提出了基于最小二乘（LSQR）求解Lasso的Lasso-LSQR算法。Lasso-LSQR算法在迭代过程中采用基追踪方法和L1正则化的方法重建稀疏信号,具有迭代速度快、稀疏重建准确的优点。仿真及在体实验结果表明,Lasso-LSQR算法在定位精度、形态学相似度及计算效率方面都表现出较优的结果。（3）传统的基于模型的重建算法需要手动设置正则化参数,参数选取不当会给重建效果带来极大的影响。为了避免正则化参数带来的误差,提出了一种基于ADMM算法的深度框架（ADMM-Net）自动的学习参数。此外,与现有端到端的深度学习网络不同,ADMM-Net将ADMM方法迭代求解三个子问题的过程拓展为网络的三个子层,其内部求解过程的可视化与可解释性更强。实验结果表明,ADMM-Net方法在空间定位与形态学相似度方面都有较好的结果。