正电子发射断层扫描（Positron Emission Tomography,PET）是一种成熟、先进的核医学分子影像技术,它能在生物体的活体分子或细胞水平上开展定性或定量研究。PET的放射性示踪剂药物具有多样性,不同示踪剂可以表征不同病变细胞的摄取差异。相较其他影像技术,PET成像具有高灵敏度与高特异性,因而在众多医学成像中占据重要地位。然而,由于PET扫描仪的硬件限制、示踪剂的剂量安全以及组织细胞对示踪剂的吸收比例等因素,PET成像的分辨率往往较低,尤其对于一些半衰期较短的示踪剂,其扫描延迟较短,成像噪声愈加明显。另外,临床中常用单种放射性示踪剂进行成像,但每种示踪剂仅能表征一种细胞内的信息,因此有可能导致假阴或假阳性的诊断。另一方面,具有更高量化准确性的动态PET参数成像又由于扫描时间较长及部分血液输入函数需要有创采样等问题较难于临床中通用。因此,一直以来PET成像研究处于备受关注的领域。随着近几年人工智能浪潮的推动,深度学习开始逐步应用在医学影像领域。针对上述成像问题,本文提出了多示踪剂PET图像重建算法与基于深度学习方法的医学影像应用技术,将当下较成熟的算法框架加以改进应用于多示踪剂PET与动态PET中,实现了高质量的PET成像,有效保持特定肿瘤区域信息。针对研究内容,本文主要的研究工作与创新点如下:（1）提出一种基于多示踪剂的PET图像重建算法。临床上,对于一些特定疾病往往需要多种PET示踪剂进行表征,进而提高甄别病变组织的灵敏度与特异性。因此,本文针对多示踪剂PET提出了使用一种成像质量较高的示踪剂（通常半衰期较长）PET图像作为先验信息来引导另一种成像质量较低的示踪剂（通常半衰期较短）PET成像。实现过程基于近几年较流行且成熟的kernel算法进行特征引导,通过k近邻搜索构建先验信息的核矩阵引导图像重建。高质量的示踪剂PET的引入能大大丰富待重建图像肿瘤区域的代谢信息。经模拟实验与临床实验验证,提出的方法可以在图像去噪和边缘细节保留的同时,有效地重建出多示踪剂PET丰富的功能代谢信息。特别在临床试验中,提出的方法达到了19.70d B的肿瘤信噪比,相较其他比较算法（最大似然期望最大算法加高斯滤波、最大似然期望最大算法加非均值滤波、MR引导的kernel算法以及多模态引导的kernel算法）高出了28.3%。综上,所提出的多示踪剂PET成像方法可以最大限度地发挥PET成像的优势,进而提升PET成像在临床诊断中的准确性。（2）提出一种基于生成网络模型的动态PET参数成像方法。经研究表明,动态PET参数图像能实现比临床常规静态PET更准确的量化性能,在表征恶性肿瘤中能显现出更高的特异性。然而,由于动态PET扫描时间较长,使其较难通用于临床实践中。因此,本文针对动态PET提出了一种基于常规静态PET扫描的动态参数成像方法。使用深度学习中的对抗生成网络来学习常规PET与动态参数图像间的映射关系,并结合两种成像的临床经验选取合适的损失函数,进而借助静态PET图像直接生成出动态PET参数图像。经过模型训练及临床评估,结果显示提出的方法可以从常规PET图像中学习到高质量的动态参数图像,尤其是在图像的恶性肿瘤与高代谢区域,其结构相似度可以达到0.86,峰值信噪比实现了23.64 d B,而均方根误差为0.08。此外,合成的参数图像有效地结合了分子成像与定量成像,可同时反映组织中示踪剂的浓度状态与代谢率,为临床提供了额外且较为可靠的参考依据,有助于提升恶性肿瘤诊断的准确性。本文提出的多示踪剂PET图像重建算法与人工智能辅助的医学影像应用,通过kenel算法及深度学习方法实现了高质量的成像效果,尤其提升了PET成像对病变组织的表征能力,助于临床诊断的准确性,同时对临床中多示踪剂PET与动态PET的应用有一定促进意义。