荧光分子断层成像（Fluorescence molecular tomography,FMT）主要是对小动物整体或者人体特定器官内标记的荧光探针进行三维成像,在药代动力学、肿瘤的发生发展等研究中具有广泛的应用。FMT成像算法是决定成像质量的关键一环,也是功能实现的基础。基于模型驱动的传统算法一直是FMT图像重建的主流,但是模型驱动的传统算法中由于模型简化会引入建模误差,同时手工设计的正则化无法从根本上解决逆向问题病态性。近两年,已有采用数据驱动的深度学习算法用于FMT图像重建的研究,但是数据驱动的学习算法存在可解释性差、泛化能力差、需要大量的训练样本等问题。本文针对目前FMT图像重建存在的问题,主要开展了以下研究:首先对用于FMT图像重建的模型驱动的传统算法和数据驱动的深度学习算法进行了深入研究。分析了基于扩散近似模型的FMT正向问题和以稀疏先验正则化为代表的模型驱动的传统算法。然后以多层感知机为例研究了数据驱动的深度学习算法。通过仿真实验验证了数据驱动的深度学习算法在单荧光棒训练样本下能实现比模型驱动的传统算法更高定位准确度、更少伪影的单荧光棒重建结果,但对多荧光棒重建泛化能力差,且参数不具可解释性。为提高深度学习算法对FMT重建的图像质量、提高可解释性和泛化能力、减少潜在需要的训练样本数,提出了模型驱动的投影梯度下降网络（Model-driven projected gradient descent network,MPGD-Net）用于FMT图像重建。该方法把模型先验融合到深度学习算法中,将求解FMT逆向问题的投影梯度下降算法展开成神经网络,其中将正则化项梯度设计为三维卷积神经网络残差块结构,并将迭代步长、正则化参数设为可学习的网络参数。仿真实验和在体小鼠实验验证了MPGD-Net仅需数百量级的仿真训练样本,即能实现高定位准确度、低伪影水平的图像重建并保持一定的泛化能力,且具有较强的可解释性。针对有监督学习下不同的成像对象需要重新生成不同的训练数据集以适配相应的成像模型,这在在实际应用中难以快速实现的问题,为进一步避免带标签的训练样本,提出了将模型先验引入到损失函数中的基于深度图像先验的无监督学习MPGDNet算法。该算法采用MPGD-Net的输出表示待重建图像,并将损失函数设计为传统FMT逆向问题的优化目标。仿真实验和在体小鼠实验验证了该算法在无训练样本的情况下完成网络训练,并相比传统算法依然能保持更好的重建图像质量。综上所述,本文发展了融合模型先验的有监督和无监督深度学习算法用于FMT成像,在提高定位准确度、降低重建伪影水平的同时,提高了深度学习算法的可解释性和泛化能力,并降低了训练样本数,甚至不需要训练样本。