随着各项科技技术的迅猛发展,医学影像在对人体的探究和疾病诊断中的应用越来越广泛,并且在整个医学研究领域中都发挥着非常重要的作用。然而医学影像的成像重建过程是从采集的部分观测数据重建为高质量的图像,其属于反/逆问题的范畴,具有不适定性。对此,研究者们已经进行了长达半个世纪的研究。研究者们先后提出利用稀疏变换使得图像在经过某些变换后得到图像先验信息,将病态的不适定问题变成适定问题,由此达到高精度重建的目的。随着深度学习的出现,诸多学者对先验信息的构建提出了许多新颖的方法,由此如何利用深度学习强大的学习能力用于先验信息提取成为了热点研究话题。本文基于深度学习无监督理论和图像重建算法原理,对图像先验信息的构建方式和无监督学习在医学图像成像重建中的应用展开了深刻研究。（1）在磁共振快速成像重建和稀疏角和计算机断层扫描图像重建应用中,首先通过去噪自编码网络学习图像的高频先验信息,再将学习到的高频先验用于迭代重建中,最后经过一定次数的迭代可以得到高质量的重建图像。特别的是,在先验学习阶段,将对图像的高频成分进行建模,这些成分传达了大多数语义信息。为此,首先通过特定的变换提取一组多频段的高频分量,然后将人工高斯噪声添加到这些高频分量中作为训练样本。在高频先验信息学习之后,通过近端梯度下降算法将其嵌入到经典迭代重建过程中。实验结果表明,利用高频先验可以有效地重建图像特征细节,并优于最新的一些重建算法。（2）在低剂量计算机断层扫描图像重建应用中,通过使用分数网络生成模型学习图像先验,并且将数据保真项作为条件项整合到迭代生成重建过程中,可以得到清晰的重建图像。首先,将基于分数估计的生成网络用于无监督的数据分布学习,特别的是,从正常剂量图像中学习数据密度梯度。然后,使用退火朗之万动力学来更新训练后的先验,即在重建期间将重建图像与数据流形之间的距离以及数据保真项进行最小化。实验结果表明利用分数网络学习先验梯度并使用模拟退火法迭代更新在重建中的优越性。综上所述,本论文着重于对无监督学习用于医学成像重建问题的研究,挖掘图像先验信息的构建并融合于重建算法中。通过对深度学习提取图像先验用于重建应用中做出归纳总结,提出基于去噪自编码网络和生成模型的方法并应用于医学成像应用中,相比于传统重建算法取得了具有实际可实施性的良好效果。