冠心病是一种全球范围的高发病率和高致死率的疾病,且呈现出年轻化的趋势。PET心肌灌注显像作为一种非侵入性检查心肌缺血的手段,已逐渐成为冠心病诊断、疗效评估及预后分析的重要影像学方法。然而在PET参数估计中,通常需要估计血液内示踪剂浓度随时间变化的活度曲线（Time Activity Curves,TACs）,并结合动力学模型计算绝对定量参数,从而实现心肌血流量化分析。其中,TACs估计的准确性对动力学建模非常关键,并影响后续的定量分析。临床中常使用半自动分割软件,需要多次手工干预,后续定量结果受专家经验及部分容积效应影响。因子分析（Factor Analysis,FA）旨在从多个变量中提取一组互不相关的公因子并做进一步分析。该技术可用于从动态PET图像中同时提取血输入函数和参考组织TACs以及各个因子对应的空间分布图。传统的因子分析技术存在两个局限性:（1）PET重建图像的观测噪声并不能简单地用泊松或高斯分布来描述;（2）传统FA方法中的解具有非唯一性。受高光谱分解（Hyperspectral Unmixing,HU）方法的启发,本文将高光谱分解与阿尔法散度引入动态PET图像因子分析模型,以准确地提取具有生理意义的因子TACs。本文的工作主要包含以下两个方面:（1）提出一种动态PET图像分解的方法,基本思想是将高光谱分解算法引入到动态PET图像分解的研究中。首先,分别采用内部体积最大法（N-FINDR）和顶点成分分析（Vertex Component Analysis,VCA）方法提取因子TACs;其次,针对因子比例图像的稀疏性,设计了一种l1-SunSAL算法来估计因子比例图像,其优化问题假定图像中存在纯像素即满足和为一约束。实验结果表明VCA提取因子算法的有效性,在均方根误差、信号重构误差评估指标优于N-FINDR;基于l1-SunSAL算法可以得出各个因子所对应的因子比例图像。（2）提出一种基于阿尔法散度和VCA的动态PET心肌灌注因子分析方法。通过引入α散度测量估计模型与观测数据之间的差异,从而更准确的描述PET图像的噪声模型。然后利用VCA算法,从动态PET图像中提取初始因子作为先验约束,以校正因子分析中解的非唯一性问题。另外,对因子和因子比例图像进行非负约束以保证其具有生理意义。通过广泛的82Rb动态PET和冠心病患者研究,结果显示基于阿尔法散度和VCA先验的因子分析方法可以有效提取更精确的TACs。