生物组织内异质体的定位及检测一直是生物医学光子学领域的研究热点,准确定位异质体的位置是光学成像方法应用于临床检测的前提。目前,国内外研究学者通常选用多光源-多检测器阵列的方法检测组织内异质体,然而该方法在逆问题重建时存在运算时间长、计算过程复杂、光源和检测器的位置分布对检测结果影响较大的问题。本研究提出了基于差分光密度差异的组织内异质体快速定位方法,利用组织对称性快速提取出差分光密度差异曲线中异质体的位置信息。本文进一步研究基于深度学习的组织内异质体快速重建方法,利用深度学习模型对组织内异质体进行成像,同时研究了样本分布对异质体重建结果的影响及本方法的可测度范围。本文提出的异质体快速定位与检测方法有效提高了检测速度和精度,为组织内异质体快速无创检测的临床应用提供了参考依据。论文的主要研究内容包括:(1)提出了基于差分光密度差异快速定位组织内异质体的方法,并从理论和实验两方面对差分光密度差异理论的可行性进行了验证。分别比较了对不同横向位置、深度、大小的异质体的预测结果,提出基于高斯拟合的差分光密度差异特征提取方法,根据曲线特征峰值位置判断异质体的横向和纵向位置。(2)设计栈式自编码网络(Stacked Auto-Encoder,SAE)结构,并将其运用于生物组织内不同位置、大小异质体的快速重建。异质体中心点横向预测值与真实值的标准差均值为0.7094 mm,异质体中心点纵向预测值与真实值的标准差均值为0.5721 mm。(3)提出训练样本数据均衡分布方法,以提高深度学习网络的图像重建效果。从有限数据样本中均衡选取训练样本,较之随机选取训练样本可有效提高模型预测精度和稳定性,实验结果表明,经均衡分布训练样本获得的网络模型,可将位置预测误差小于1 mm的样本数量从77.2%提高至90.25%。(4)系统性分析仿体模型中不同位置异质体的重建误差,实现对组织内异质体重建模型的可测度分析。并根据组织模型中差分光密度值分布,选取最佳差分光密度阈值,实现对训练集样本进行数据筛选,进一步提高预测网络准确性和稳定性。本文的实验过程及结果表明本研究方法可实现组织内异质体的快速有效定位和重建,对于乳腺癌、皮肤癌等疾病的光学无创检测具有重要作用,并为基于近红外光的组织断层成像提供辅助工具。