微波热声成像是一种非侵入式,非电离的生物医学成像技术,在近几年内得到快速发展。它结合了微波成像技术和超声成像技术的优势,提供高对比度、高分辨率和高穿透的成像能力,在乳腺癌、血管成像和脑成像领域均有广泛涉及。在微波热声成像技术中,图像重建算法是极其重要的一环,它直接影响了成像的效率及其结果的质量和可靠性。现有的经典重建算法往往需要在计算效率和重建质量之间进行权衡,并受到硬件设备和数据完整性的影响,产生严重的伪影干扰,得到一些令人不满意的结果。随着深度学习技术的发展,越来越多的领域受到其深刻影响,包括生物医学成像领域。在最近几年中,多种基于深度学习的图像重建方法已被应用于计算层析成像,核磁共振和光声成像等领域。受到这些领域成功应用的启发,本文首次提出将深度学习技术引入到微波热声成像图像重建中。然而,基于深度学习的方法往往需要大量的数据支撑,在微波热声成像中往往很难大量生产和获取这些数据。除此之外,现有的基于深度学习的直接重建算法所使用的模型仍不成熟,存在着训练困难,网络模型表达能力弱,重建质量低,过拟合等问题。本文主要针对深度学习的直接重建算法提出了一套适用于微波热声成像的技术方案,实现了从信号正弦图到初始能量损失密度分布的直接重建,并在仿真和微波热声仿体实验上进行验证。本文的主要包含以下三方面内容:1.对于微波热声成像数据稀缺和实验数据标签无法获取的问题,本文提出了一种基于有限元仿真的数据合成方法,通过仿真合成训练集对深度学习模型进行训练,使模型具备微波热声成像图像重建能力。2.针对仿真数据和实际实验数据的数据分布不一致所带来域差异问题,本文提出一套仿真和实验数据预处理方案,解决了使用仿真数据训练的模型在迁移到实际热声实验数据上的域间隔问题。3.针对现有基于深度学习的直接重建算法进行分析讨论,提出一系列改进措施,并设计了一个新的TAT-Net模型架构。该模型在仿真和微波热声仿体实验中被验证,并在重建质量和鲁棒性上取得了优异的表现。此外,本文还研究了TAT-Net的定量重建能力,并在仿真和热声仿体实验上得到证明。与经典重建算法和现有的基于深度学习的SOTA算法相比,本文提出的算法在重建图像上将均方根误差降至0.0143,结构相似性和峰值信噪比指标分别提高到0.988和38.64。结果表明,本文提出的算法在提高图像重建质量和快速定量重建方面具有极大的潜力。