光学层析成像技术由于其非接触性、结构简单、采样率高、安全性高、分辨率高等特性，在工业流体监测以及医学等领域得到广泛应用，同时在学术领域上也具有很高的研究价值。光学层析成像分为扫描阶段和图像重建阶段。在重建过程中，算法的性能往往决定着图像重建的质量。鉴于现有重建算法存在重建速度慢与图像质量不高等问题，提出一种基于预置矩阵的Landweber重建算法。该算法通过引入历史迭代信息、在迭代过程中添加预置矩阵和加速项而加快迭代速度，减小重建图像与真实图像的误差。对圆形测量场内5个特定分布进行实验仿真，对比所提改进算法与传统算法的性能。仿真结果显示，该算法的重建误差在5%左右，同时证实该改进算法相较于传统算法有显著性能提升，重建误差降低48%，图像质量得到显著提升。

为避免扩散光学层析成像中L1正则项带来的有偏估计问题，提出一种基于凸非凸有限元的全变差（CNC-FETV）正则重构模型。首先，应用有限元方法将求解域剖分为有限个三角形，用一个连续分段多项式函数逼近每个三角形上的吸收系数值，再对导出的差分矩阵进行逐个单元组装，得到有限元的全变差（FETV）正则表示。然后，利用基于凸非凸稀疏正则的构造方法得到凸非凸有限元全变差正则项，并在理论上证明该非凸正则项在一定条件下可保持目标函数的整体凸性。最后，利用交替方向乘子法求解所提模型。数值实验表明，所提CNC-FETV模型在扩散光学层析成像重构的视觉效果和评价指标值上都要优于已有的Tikhonov和FETV正则模型。

Cerenkov Luminescence Tomography (CLT) is a novel and potential imaging modality which can display the three-dimensional distribution of radioactive probes. However, due to severe ill-posed inverse problem, obtaining accurate reconstruction results is still a challenge for traditional model-based methods. The recently emerged deep learning-based methods can directly learn the mapping relation between the surface photon intensity and the distribution of the radioactive source, which effectively improves the performance of CLT reconstruction. However, the previously proposed deep learning-based methods cannot work well when the order of input is disarranged. In this paper, a novel 3D graph convolution-based residual network, GCR-Net, is proposed, which can obtain a robust and accurate reconstruction result from the photon intensity of the surface. Additionally, it is proved that the network is insensitive to the order of input. The performance of this method was evaluated with numerical simulations and in vivo experiments. The results demonstrated that compared with the existing methods, the proposed method can achieve efficient and accurate reconstruction in localization and shape recovery by utilizing three-dimensional information.Cerenkov Luminescence Tomography (CLT) is a novel and potential imaging modality which can display the three-dimensional distribution of radioactive probes. However, due to severe ill-posed inverse problem, obtaining accurate reconstruction results is still a challenge for traditional model-based methods. The recently emerged deep learning-based methods can directly learn the mapping relation between the surface photon intensity and the distribution of the radioactive source, which effectively improves the performance of CLT reconstruction. However, the previously proposed deep learning-based methods cannot work well when the order of input is disarranged. In this paper, a novel 3D graph convolution-based residual network, GCR-Net, is proposed, which can obtain a robust and accurate reconstruction result from the photon intensity of the surface. Additionally, it is proved that the network is insensitive to the order of input. The performance of this method was evaluated with numerical simulations and in vivo experiments. The results demonstrated that compared with the existing methods, the proposed method can achieve efficient and accurate reconstruction in localization and shape recovery by utilizing three-dimensional information.

光学层析成像传感器结构由发光元件与感光元件组成，对重建图像的精度有重要作用。鉴于此，对扇形发光与感光元件的分布进行了优化研究。首先，将发光与感光元件的位置信息构建为角度向量。然后，引入灵敏场均匀性参数作为该结构的评价指标，并通过仿真实验验证了该指标的可靠性。最后，基于遗传算法对传感器结构进行优化，将角度向量作为优化对象来确定传感器结构，并将灵敏场均匀性参数作为适应度函数。在所获得的优化结构中，发光与感光单元分布不均匀，均匀性参数为0.288。多种具体分布的图像重建实验表明，该传感器优化结构在重建精度、图像准确性和噪声等方面均优于传统分布和随机分布。

全脑介观神经联接研究是解析脑认知功能的神经输入输出环路结构基础、普查基因表达与细胞类型，以及绘制全景立体脑图谱的科学前沿。光学成像方法在横向方向能够达到亚微米的分辨率，并可通过多种手段实现“光学切片”的效果，具备在介观水平观测神经环路的天然优势。基于组织透明或机械切削的自动化全脑显微光学成像方法，突破了光学成像在生物组织中成像深度的限制，具有在大范围内提供介观水平精细观察的技术优势。结合各类生物样本荧光标记技术，全脑显微光学成像方法在神经环路的结构和功能的研究方面有着巨大潜力，已成为剖析全脑神经及血管网络的最佳方式。为了更全面地了解和认识这种有力的工具，总结了近年来发展的各类全脑显微光学成像方法，并展望了未来的技术发展。

针对光学层析技术中的数据重建，提出了一种指数型滤波（EF）反投影解析法与迭代法相结合的迭代EF反投影算法，结合了前者重建速度快和后者重建质量高等优点，同时滤波函数采用指数型函数，抗噪性能好于传统滤波函数。算法以重建图像与真实图像的归一化均方距离d和归一化平均绝对距离r为优化目标，通过调整滤波函数指数因子减小投影数据噪声的影响，并建立了迭代计算模型。通过仿真实验，首先验证了单纯采用滤波反投影解析法时，EF函数相对于传统函数具有更好的重建精度，然后验证了本算法的图像重建质量高于EF反投影法，重建后的r减小了20%。进一步进行了折射率光学层析测量实验，分别采用本算法和EF反投影法重建了测量数据的折射率，并比较了仪器标定结果。结果表明：本算法具有更高的重建精度，与仪器标定结果的最大误差为7.9×10^-6，重建精度相较于EF反投影法提高了约21%。

光学层析成像传感器结构设计对提高重建图像质量、降低结构成本、减少系统复杂度有着重要作用。对不同分布场景、不同传感器结构下的重建图像进行了研究，研究结果表明：分布场景与传感器结构对重建图像质量均有较大影响；某种场景下变换传感器数量得到的参数曲线具有一致性的趋势；30×30的传感器结构在不同分布场景下的重建图像都有较好的表现。根据研究结果并考虑传感器尺寸、成本、可行性等因素，设计了一套30×30的激光器-光电二极管光学层析成像硬件装置，并利用该装置进行了不同分布截面状态的光学层析成像静态实验。实验结果表明，该成像硬件装置可以较为准确地重建不同分布截面状态。

温度场的精密测量对机械、航空航天、生物医学、食品化工、电力、能源和环境等诸多行业都有重要意义。提出了一种基于多步相移法和偏振干涉光学层析光路的三维温度场测量方法。首先,结合马赫-曾德尔干涉光路结构与光学层析技术设计偏振干涉光学层析测量系统,并利用偏振器件的旋转实现多步相移以实现高精度信号检测。然后,通过指数型滤波反投影算法还原得到被测介质的三维折射率分布,进而获得三维温度场分布。最后,推导了测量公式并搭建了实验系统。误差分析表明,现有实验条件下的系统测量不确定度约为0.8 ℃。测量实验和比对结果表明,所测得的温度场与实际情况吻合,与铂电阻温度计的标定温度比对结果小于2 ℃。