窄束X射线激发发光断层成像（X-Ray Luminescence Computed Tomography,XLCT）技术作为一种新型的光学分子功能成像技术,具有空间分辨率高,探测深度较深的优点。该成像技术通过窄束X射线选择性激发成像物体内的磷光纳米粒子产生近红外或可见波段的荧光,并利用灵敏的光子探测装置构建探测阵列实现荧光信号的采集,最后通过准确的逆向重建算法获取成像物体内部的磷光纳米粒子空间分布图像。但是目前采用的窄束XLCT需要多角度下平移扫描获取每个角度的投影数据,导致成像速度慢。针对这一问题,本文采取有限角度测量缩短扫描时间,而为了在数据量减少的情况下保证重建图像质量,本文尝试引入机器学习方法实现窄束XLCT图像重建,并通过仿真模拟和仿体实验对方法的有效性进行了验证。首先,本文引入了多层感知机构建相应的XLCT图像重建模型,模型的输入为成像物体表面的光通量密度所构成的测量信息向量,输出为成像物体内部的磷光纳米粒子密度分布。仿真结果表明相对于传统重建方法,基于多层感知机的XLCT图像重建方法可以获得更为准确的重建结果,但是该方法在双目标体的重建中仍存在重建目标体浓度偏差较大的问题。为了解决这一问题,本文根据探测器的空间布配构建测量信息矩阵,作为基于改进U-Net网络的XLCT图像重建模型的输入,以此充分利用测量矩阵中的空间信息。仿真实验结果表明该网络模型能够准确的重建出单角度下的单目标体和两个角度下的双目标体及多目标体的位置和浓度值。为了进一步提高扫描效率,本文还对多窄束XLCT成像系统进行了研究,在该系统中采用五条X射线同时激发,并采用本文引入的改进U-Net网络模型对单角度下单目标体和两个角度下的双目标体进行重建,仿真实验结果表明该方法可较为准确的重建出目标体。最后,本文通过仿体实验对仿真实验结论和本文引入的方法进行了验证。在仿体实验中本文根据实验数据的特点调整了多层感知机网络的参数和改进U-Net网络的网络深度,单目标体实验结果表明两种模型重建效果差异不大,双目标体实验结果表明改进U-Net网络重建出的结果位置误差和浓度误差均更小。