荧光分子断层成像（Fluorescence molecular tomography,FMT）是一种低成本、高灵敏度、无电离辐射的医学成像方法,已经成功应用于癌症检测、药物研发、基因表达可视化等领域。其原理是将荧光生化标记物作为对比剂注射到生物体中,这些标记物将向特定病变组织聚集。此时,若用特定波长的光激发荧光染料,荧光分子吸收能量后可以发出比激发光波长更长的发射光,通过对激发光和发射光的测量并借助一定的重建算法可以得出组织内部的荧光光学特性（量子产额,吸收、散射系数,荧光寿命等）的分布图像,从而实现疾病诊断。图像重建是荧光断层成像技术的关键,本文针对FMT的图像重建算法展开研究,主要研究工作如下:首先,为了有效减小FMT重建的病态逆特性,提出了一种自适应单调快速迭代阈值算法。为了解决传统Tikhonov正则化方法带来的重建图像过于平滑,边缘模糊、分辨率不高的问题,本文巧妙地利用了FMT重建结果稀疏性的特点,在压缩感知理论的启发下,提出了一种基于₁l范数正则化的自适应单调快速收缩阈值算法。该方法对传统的超松弛算法进行了改进,在迭代过程中增加了两个步骤,从而实现对迭代步长和正则化参数的自适应调整。与传统的扰动法、迭代阈值算法、超松弛算法相比,仿真结果显示本文算法可以显著提高图像重建的精度和收敛速度。其次,针对扩散方程在描述光传输过程中产生的模型误差问题,提出了一种基于贝叶斯估计的图像重建算法,在图像重建的过程中实现了对模型误差的估计和补偿。扩散方程是荧光分子断层图像迭代重建中常用的物理模型,具有简单、易计算的优点。但是,该模型具有较大的模型误差（特别是在低散射情况下）,影响成像质量。另一方面,虽然蒙特卡洛法可以准确地描述光在介质中的传播过程,但该方法计算量庞大,无法实现荧光图像的实时重建。为了利用扩散方程实现精确重建,本文在贝叶斯框架内,将组织内部未知光学参数作为随机变量,将蒙特卡洛法和扩散方程之间的模型误差与测量噪声之和作为投影数据的噪声项,并在此基础上建立概率模型,通过后验概率的最大化求解未知光学参数分布。为了减少正向问题中大规模矩阵的运算量,本文还提出了一种光源组交替激发策略的图像重建方法,有效节约了图像重建计算时间。仿真实验证明了上述算法的有效性。在荧光分子断层成像重建过程中,对于生物组织体内具有相同光学参数,但不同深度、不同体积的荧光团,重建出的荧光团光学参数存在较大误差。针对这一问题,本文最后给出了一种基于体积-深度联合补偿的荧光分子断层成像重建算法,利用迭代自组织数据分析技术,对重建图像进行聚类分析,根据聚类得出的荧光团体积大小和深度位置,对重建的荧光光学参数进行补偿,使重建结果更加精确。仿真实验结果表明,该方法能够较好的修正因荧光团体积和深度不一而造成的成像重建误差,显著提高重建质量。