目前临床上治疗恶性肿瘤应用最广泛的手段之一便是放射线治疗。传统的放射治疗主要是基于光子等基本粒子来实现的,粒子在射入人体时产生的高能量将对肿瘤细胞实施有效的杀灭。然而传统的光子放射治疗在人体内的深度剂量分布是随着入射深度的加深呈指数衰减的。这将使处于光子束通路上的人体正常器官和组织遭受不同程度的辐射损伤,甚至诱发二次癌症。如何在保证对肿瘤细胞实施有效杀灭的同时,尽可能减少正常器官和组织受到的伤害,是放射治疗领域的学者们不得不考虑的一个问题。而以质子或重离子为基本粒子的放射治疗则为解决这一问题带来了可能性。质子束或重离子束在射入人体时,其深度剂量分布是呈布拉格曲线分布的,且存在一个固定的布拉格峰（Bragg Peak）,在布拉格峰之前,质子束沉积的剂量较少,而在布拉格峰之后,质子束沉积的剂量更是接近于零水平。所以只要能使质子束的布拉格峰精确落于肿瘤靶区中,就能在对肿瘤细胞实施杀灭的同时减少正常人体器官和组织受到伤害。目前临床上使用较广泛的布拉格峰定位技术主要为正电子放射断层造影技术（PET）和瞬发γ射线成像技术（Prompt Gamma）,但搭建此类治疗环境费用昂贵,经济效益比低,并且通常难以实现布拉格峰的在线实时监测。而利用质子束热声信号对布拉格峰进行定位的技术,从理论上能够实现布拉格峰的在线实时监测,且治疗环境的搭建成本较低。质子束在剂量沉积的过程中会诱发产生柱状波α波（来自布拉格峰之前的沉积区域）和球状波γ波（来自于布拉格峰沉积区域）,其中γ波的走时是利用质子束热声信号对布拉格峰进行定位技术的重要参数,γ走时的准确与否关系着布拉格峰定位的准确与否。而传统的γ波走时提取方法通常存在走时难以提取的“盲区”,且在布拉格峰的不同方向上提取出的γ波的走时误差水平不一致,存在明显的角度依赖性。本文提出了一种基于深度学习的质子束热声信号γ波走时提取方法,旨在克服上述缺陷,全面且准确地提取γ波走时。本文基于U-net设计了一个U型神经网络模型,用以识别和处理质子束热声信号。此外,本文利用k-Wave MATLAB toolbox模拟了质子束在非均匀声速度模型中的传播过程,并收集到了含有271700个原始质子束热声信号样本的训练数据集。在为训练数据集进行加噪声处理并打上γ波走时标签后,便投入U型神经网络模型中进行学习训练。在U型神经网络模型训练完毕后,本文分别设置了不同噪声水平的质子束热声信号走时提取测试、γ波走时误差的角度依赖性测试和U型神经网络的泛化能力测试等三组实验用以检测U型神经网络模型对γ波走时的预测性能。实验结果显示,本文U型神经网络模型对γ波走时的提取是全面的、准确的,且具有较好的抗噪能力。同时,神经网络模型所提取到的γ波走时的误差不存在明显的角度依赖性,无需后续进一步补偿。此外,神经网络模型还具有一定的泛化能力,对于来自不同声速度模型的质子束热声信号,也能准确且全面地提取γ波走时。