随着医学成像技术的快速发展,医学影像能够直观提供病变位置、结构和功能等信息,是各种疾病诊断的重要手段和诊断依据。而深度学习技术的不断发展与计算资源的大幅提升,使得基于计算机技术的计算机辅助诊断（Computer Aided Diagnosis,CAD）成为了医学和计算机领域的研究热点,并广泛地应用于医学影像的分析和处理。正电子发射计算机断层显像（Positron Emission Tomography,PET）是核医学领域先进的成像技术,能够反映出人体内氟代脱氧葡萄糖的代谢分布情况,是当前肿瘤早期筛查和诊断的重要手段。受PET成像原理的限制,常规短轴PET设备的灵敏度较低,导致图像的信噪比较低。全景PET uEXPLORER是拥有1940 mm轴距的先进全身PET成像设备,具有超高灵敏度,能够获得作为金标准的图像质量。为了提高短轴PET设备图像质量,本文基于uEXPLORER采集的高质量数据和短轴数据,结合PET成像原理、计算机视觉和深度学习等领域知识,构建了基于深度学习实现短轴PET图像质量增强方法,研究了高效的轻量化压缩模型。本文主要工作如下:1)针对目前常规短轴PET设备短时成像质量较低的问题,提出了一种基于循环一致性生成对抗网络（Cycle-Consistent Adversarial Networks,CycleGAN）的PET图像质量增强模型。通过在生成器中引入了注意力机制,实现对通道和空间代表特征的关注,结合有监督成对数据学习方案,实现了生成图像与真实图像的空间一致性。将本文提出的方法与基于灰度的方法和基于学习的方法进行了对比。实验结果表明,本研究提出方法生成的图像在三个床位上均具有最佳的NRMSE和SSIM指标性能,分别为（0.219±0.09,0.950±0.03）、（0.222±0.06,0.927±0.02）和（0.257±0.07,0.958±0.02）,并获得了影像医生的主观评价认可。该方法在轴距为320 mm和250 mm的PET设备均能获得良好的图像质量,具有较好的适应性。图像质量增强模型可以有效地提高常规短轴PET设备的成像质量,充分发挥其临床价值。2)针对深度学习图像质量增强模型规模较大、难以部署和高效运行的问题,提出了一种基于知识蒸馏的模型压缩方法。运用知识蒸馏技术提取原始教师模型的中间特征,将知识迁移到对应压缩的学生模型,并利用神经架构搜索技术,在学生模型中寻找需要更低的计算成本和更少参数量的高效结构设计,实现模型的轻量化,有效提升短轴PET设备的图像质量。本研究分别比较了模型压缩前后的性能、参数和计算量。实验结果表明,该方法在保持模型性能的前提下使得模型参数量和计算量分别是原来的4.5%和6.8%。高效的轻量化压缩模型可以满足CAD系统临床实时性高并发的使用,使其发挥出更大的临床作用。