正电子发射断层扫描成像(Positron emission tomography,PET)是一种先进的核医学成像技术。PET成像通过向生物体内注入放射性示踪剂,并记录放射性示踪剂在体内的浓度分布,可在分子水平上反映生理病理状态,从而起到疾病诊断、评估分期以及早期预警的作用。相对于传统的单示踪PET成像技术,多示踪PET成像技术可同时提供多种生理病理信息,这些信息相互补充,可大大提升疾病诊断准确率。同时,还可减少扫描次数,降低扫描费用,节约医疗资源。最重要的是保证了不同示踪剂反映的信息是在同一生理条件下。但由于PET成像过程中不同示踪剂发生正电子湮灭反应时产生的伽马光子对能量相同(511 keV),如何区分不同示踪剂的示踪信号成为难题。本文针对双示踪PET成像的主要工作如下:1.提出了基于深度堆叠网络的双示踪PET图像重建方法。现有的多示踪PET图像重建算法主要依靠示踪剂先验知识结合间隔注射的方式,本文中,我们提出了基于深度学习的数据驱动方法,采用深度堆叠网络的双示踪PET图像重建框架。该方法实现了从混合示踪剂时间活度曲线提取出单个示踪剂时间活度曲线,最终还原为单个示踪剂浓度分布。实验结果证明了该方法的准确性与鲁棒性。2.提出了基于3DUnet的双示踪PET图像重建方法。鉴于单从时间维度上对PET浓度分布建模,没有充分利用空间信息,为此构建了 3DUnet实现双示踪PET时空同时重建,并探索了不同模板以及采样时长对该方法的影响。真实数据实验结果论证了该方法实现了精确重建效果。