光声层析成像技术可提供高光学对比度,高空间分辨率的生物组织图像,在光学功能成像研究中展现出巨大的发展潜力。传统光声层析成像重建的初始声压是吸收系数和光子密度分布共同作用的结果,由于深层组织中光子密度分布不均匀,使其无法准确地反映生物组织的光学特性。近年来,深度学习凭借其模拟复杂算法的强大能力,在生物医学成像领域研究中取得了优于传统算法的成果。为了更加快速和准确地获得与生物组织体生理和病理特性有关的吸收系数图像,本文对基于深度学习的定量光声层析成像（Quantitative Photoacoustic Tomography,QPAT）方法展开研究。传统QPAT方法通过求解光学逆问题来重建深层组织吸收系数的分布图像。但是,光学逆问题的非线性和不适定特征造成现有求解方法计算复杂,准确度受诸多因素影响。因此,本文发展基于深度神经网络的QPAT方法来提高吸收系数图像的重建精度。根据QPAT的数理模型创新性地提出了双通路网络模型（Dual-Path Network,DP-Net）,通过吸收系数、光子密度和初始声压的特征构造三重损失函数用于优化神经网络参数。数值模拟结果证明,相较于传统的U-Net基于DP-Net的QPAT方法重建的高空间分辨率吸收系数图像具有更高重建精度。在生物医学应用中,获取深层组织特别是活体组织吸收系数的真实值是十分困难的,因此很难构造大量的带标签实验数据集用于QPAT神经网络训练。本文基于无监督循环一致性生成对抗网络（Cycle-consistent Generative Adversarial Network,Cycle GAN）提出适用于生物医学应用扩展的数据域转换方法。将模拟的初始声压图像转换到实验数据域,结合已知的吸收系数分布图像可以生成带有标签的“实验数据集”用于QPAT网络训练。通过数值模拟和仿体实验结果的对比,验证了数据风格迁移网络产生有标签“实验数据集”的可行性。最后,将DP-Net与基于CycleGAN的数据域转换方法相结合得到可以在实际应用场景中定量重建深层组织吸收系数的QPAT-Net,并开展一系列实验对其性能进行验证。仿体实验证明QPAT-Net能重建高结构保真度和高定量准确度的吸收系数结果;离体组织实验验证其在实际应用中重建深层组织吸收系数的可行性;活体小鼠实验显示其具有应用于预临床研究的发展潜力。QPAT-Net方法为基于深度学习的生物医学成像问题提供了新的研究思路。