荧光层析成像(Fluorescence Molecular Tomography,FMT)作为一种无创成像技术一直以来受到生物医学成像领域的关注。FMT可以在分子水平上对肿瘤进行特异性识别,可应用于早期肿瘤筛查和治疗。然而,FMT中的逆问题是病态且不适定问题,传统的代数迭代方法计算速度慢、误差大,使得FMT难以进入临床应用。因此,FMT成像重建算法性能的提高一直以来是本领域研究人员重点研究的方向之一。本文基于栈式自编码(Stacked Auto-Encoder,SAE)神经网络模型对FMT的重建过程进行了优化,主要研究内容有:(1)构建SAE的深度神经网络模型,针对二维圆域仿真模型中不同位置异质体进行荧光产率重建。在圆域仿体模型中分别构造半径为2 mm、3 mm、4 mm和5 mm的异质体模型,共400个。原始纯净数据中加入不同量级的高斯随机噪声后与原始纯净数据组成混合数据集,根据噪声量级(30 dB、35 dB、40 dB)共分为三组,每组800个数据样本。分别随机选取其中750个作为建模训练集,其余50个作为预测集,对比基于SAE和传统代数迭代技术(Algebraic Reconstruction Technique,ART)的成像重建结果。预测结果显示,SAE的重建方法较之传统ART算法具有更好的抗噪性和小异质体识别性,甚至当异质体半径为2 mm,信噪比为30 dB时,SAE的重建方法仍可得到清晰、准确的成像结果。(2)为进一步优化SAE网络方法,提高荧光重建图像的质量,本文对SAE网络模型结构进行了系统研究。利用重建结果的均方误差评估网络重建性能,结果表明当双隐藏神经元数量成递增方式时,相比于递减方式,网络结构的均方误差更小。(3)为进一步优化基于SAE方法的模型预测效果,提出一种数据集标签分布的可视化方法,针对5种不同的训练数据集和测试数据集相对分布情况分别进行成像重建,重建结果表明,测试数据标签与训练数据集标签范围的相对关系对模型的重建质量有着重要影响。本数据标签可视化方法对建模数据集筛选和预测数据的误差分析有着重要作用。本文研究表明,基于SAE的FMT成像相比于传统ART算法,可以实现改善荧光图像重建质量。通过优化网络结构中隐藏层神经元分配和建模数据集选择方式,可实现FMT成像质量的提升。