介观荧光分子层析成像（Mesoscopic Fluorescence Molecular Tomography,MFMT）通过寻找组织表面荧光测量信号与体内荧光参数（即敏感矩阵）之间的关系,对较大视野的厚组织（毫米级深度）进行高分辨率（微米级）非接触式成像,很好地填补了显微荧光分子成像技术和宏观荧光分子成像技术的真空地带。然而,探测到的荧光信号经过生物组织多次散射,与敏感矩阵构成了非线性关系,使得逆向重建问题成为了病态不适定问题。同时,大规模敏感矩阵增加了重建算法的计算复杂度,需要通过特定的优化算法来实现对生物组织荧光标记物三维分布的重建。因此,为了有效推进MFMT的临床前研究,使其更好的应用于肿瘤早期检测和治疗,本文围绕如何实现“高效率”、“高精度”重建,提出了基于深度卷积对称网络（Deep Convolutional Symmetric Network,DCSN）和其改进的基于复式跳跃密集网络（Doub-Skip Dense Network,doub-SD）结合联合代数重建技术（Simultaneous Algebraic Reconstruction Technique,SART）的微细血管混合重建策略,在保留常规重建步骤物理本质的前提下运用当下学者广泛关注的深度学习技术以加速逆问题求解。论文的创新点和主要研究工作包括以下几点:（1）为了得到敏感矩阵与组织边界荧光测量数据之间的强映射关系,本文将两者进行组合形成增广矩阵作为训练数据,通过学习增广矩阵的低维空间表达,得到敏感矩阵和荧光测量数据的融合压缩特征。从数据本身出发,在一定程度上达到加速组织内部荧光标记物重建的目的。（2）多角度投影得到的大规模数据加剧了荧光分子重建的负担,降低了重建速度。对此,本文提出了一种深度卷积对称网络联合SART算法的混合重建策略,利用卷积神经网络强大的特征提取能力、非线性映射特性及信息整合能力完成对大规模训练数据的有效压缩,实现SART算法对组织内部荧光标记物分布的快速精准重建。设计适合于编码高维荧光数据的弧形对称网络作为主干架构,针对特定的训练数据配置卷积层结构。采用多个“valid”填充的3×3小卷积核进行卷积操作,且仅执行一次池化操作,在减少参数、增加网络拟合能力的同时,使训练数据能够按照预期进行压缩,最大限度地减少冗余信息对重建结果的影响。通过计算机微细血管数值仿真实验的对比结果,论证了DCSN模型的处理性能,验证了混合重建策略较传统方法具有更好的处理效果和更快的重建速度。（3）为了强化网络对浅层和深层特征的融合能力,进一步提升网络的收敛速度,改善混合重建策略的重建效果,本文在DCSN网络基础上,设计并实现了一种基于深度卷积复式跳跃密集网络的微细血管重建算法。doub-SD架构引入了局部复式跳跃残差结构和全局密集交互连接,以充分利用低维度分层特征。同时通过添加1×1卷积瓶颈层增加网络深度,减少权重参数负担,以更优化的学习方式获得更小规模、更有用的数据信息。通过对计算机数值仿真模型和血管树合成数据的加速重建实验的结果进行分析,验证了改进网络doub-SD的优势性,重建速度提升约1.5倍,计算时间变为原来的2/3。