正电子发射断层成像（Positron Emission Tomography,PET）是临床医学中一种功能性成像方式,基于生物的不同组织对放射性示踪剂的摄入量不同的原理,实现了体内生物过程的可视化成像,且记录了不同结构或感兴趣区域中放射性药物的摄取和分布随时间的变化规律。因此,PET在肿瘤学、心肌灌注显像以及脑成像等领域获得了广泛的应用。然而受限于系统低灵敏度、高物理噪声以及低放射性示踪剂剂量等因素,PET系统的空间分辨率以及重建图像质量仍有较高的提升空间。在已有的PET重建算法中,最初适用于计算机断层扫描成像（Computed Tomography,CT）的滤波反投影（Filtered Back Projection,FBP）算法,虽然拥有较快的成像速度,但这种算法模型忽略了噪声对成像的影响。而最大似然期望最大化（Maximum-Likelihood Expectation-Maximization,MLEM）算法将数据的统计特性加入到数学模型中,成像质量取得了巨大的改善,因而此算法逐渐在科研和临床上得到了普遍的研究和应用。然而MLEM算法受统计噪声的影响,过多的迭代会使图像质量不升反降。为了提高图像的信噪比（Signal-to-noise Ratio,SNR）,有学者提出了两种算法:贝叶斯（Bayesian）或者最大化后验（Maximum A Posterior,MAP）算法,和核（Kernel）方法。两种算法都是在原有的基础上建立了包含先验或后验图像的系统模型,利用先验/后验图像的高信噪比对重建过程进行正则化,来提高最终图像质量。上述这些算法均可以应用于PET参数成像领域。参数成像实质上是动态成像与动力学模型的拟合求解过程。而线性不可逆的Patlak模型作为最常用的动力学模型之一,可以表征生物体内的血液传输速率等参数,有效的提取了动态图像中包含的生理信息。因此本文主要是在此模型的基础上进行了以下两项与PET参数成像算法相关的研究:第一,提出将引导核方法（Guided Kernel Means,GKM）应用于核医学图像处理,基于动态PET图像的先验信息,对参数成像的速度和精度做出了较大的改善。通过对实验的定量分析表明,所提出算法与原有算法相比,在提高参数图像量化水平上有着较大的优势。第二,提出了一种基于图像的纹理信息和强度信息先验的PET参数成像算法。新的成像算法中,将解剖图像的频域纹理信息和空间域的强度信息结合起来作为新的先验,基于Kernel算法进行参数图像重建。实验表明,先验图像的纹理信息可以有效提升先验信息的丰富度,从而对提高PET参数成像的质量起到好的促进。