扩散光学层析（Diffusion Optical Tomography,DOT）作为一种新型的光学成像技术,能够以无创的手段提供生物组织的结构和功能信息,在乳腺肿瘤早期检测和脑功能成像等领域具有潜在的应用前景。由于扩散光在生物组织经历多次散射、实验中的光噪声影响以及测量数据不足,使得DOT的光学参数重构逆向问题呈现出高度的不适定性,从而导致重建图像光学参数精度和空间分辨率较低等问题。此外,传统基于光学参数迭代重建策略的DOT重建方法存在计算量大且重建速度慢的缺点。因此,对DOT重建方法的研究成为了相关研究人员的重点研究方向。本文为了克服传统重建方法存在的问题,尝试引入人工神经网络方法实现DOT图像重建,旨在改善重建图像质量的同时提升重建速度。首先,本文引入了反向传播神经网络（BPNN）构建DOT图像重建模型,并依据本课题组自主搭建的面向乳腺肿瘤早期检测的DOT稳态测量系统设计了单、双目标体和椭圆目标体数值仿真实验,并对重建图像的定量重建率、绝对偏差、噪声对比度和半峰全宽进行了评估。仿真结果表明相比较于传统重建方法,基于反向传播神经网络的DOT重建方法在重建图像的光学参数精度、空间分辨率及重建速度上有了很大的提升。为了进一步提升重建图像的光学参数精度和重建速度,并且使网络模型有一定的主动降噪能力,本文引入了栈式自编码神经网络（SAE）构建DOT图像重建模型,该模型利用自编码器对输入数据进行特征提取并重构,增强了对噪声的鲁棒性。单、双目标体仿真实验结果表明,基于栈式自编码神经网络重建方法相比较于基于反向传播神经网络重建方法在重建图像的光学参数精度有了进一步的提升,并且在重建图像噪声对比度差异不大的情况下,速度提升了10倍左右。最后,为了对本文引入的方法进行验证,在课题组搭建的DOT稳态测量系统上进行了一系列仿体实验。仿体实验结果表明,基于上述两种神经网络方法重建图像的空间分辨率误差约为2%,而传统的重建方法误差约为42.33%,并且对目标体进行较高光学参数重构时,基于神经网络方法重建图像重构光学参数能够达到真实值的90%以上,而传统重建方法仅能达到40%左右。