正电子发射断层成像（positron emission tomography，简称PET）是核医学成像的一种，在生物医学研究和临床诊疗中正逐渐显示出其重要的作用。PET成像技术通过对注入生物体内示踪剂的放射性分布进行显像，能够从分子水平上发现细胞的代谢异常，为疾病的早期诊断和预防提供了有效依据。相对于只能提供一定时间窗内生物体组织中放射性强度的平均分布的静态PET成像技术而言，动态PET成像基于动力学模型能够获得描述生物体生命活动的定量功能参数，在科学研究和临床应用中具有重要应用价值。本文针对动态PET成像中的问题进行分析和研究，主要工作如下:　　1.随着对时间分辨率的要求越来越高，每一帧测量数据中有限的光子计数不断地挑战着动态PET成像质量。此时，由于单帧数据的光子计数不足无法较好地反映出统计特性，利用基于统计特性的重建算法对每一帧数据进行单独重建的方法往往无法得到十分准确的重建结果。为了解决这一问题，本文提出了一种同时实现PET图像重建以及动力学参数估计的系统框架。该方法在引入全变分正则项的高斯PET重建模型中，结合示踪剂动力学模型还引入了来自时间纵轴的放射性强度分布的先验信息，在提高PET重建图像的质量的基础上同时也实现了对动力学参数的估计。　　2.在动态PET的重建问题中，通常的做法是将图像分割、图像重建与动力学参数估计作为三个单独的问题分开求解，此时图像分割的准确度十分依赖于已有的重建结果。在本文接下来的内容中引入了一个同时实现分割、图像重建与动力学参数估计的实验框架，在一次迭代过程中分别对各个子问题进行更新，并同时获得最终求解。当我们将重建和分割耦合到一个联合或同时的求解框架中时，对分割任务而言，可以获得噪声模型对原始投影数据进行建模的信息，而基于分割的结果也能够增强每个区域内的均匀性，从而实现一个更符合真实情况的重建结果。　　3.最后，受到深度学习理论在语音分离领域中应用的启发，本文尝试利用一个深度神经网络对动态PET的双示踪剂成像结果进行分离，从而获得两组单示踪剂图像结果。