随着科技的发展和应用需求的提高，对光学CT图像重建的要求也不断提高。不仅要求在完全投影条件下高精度地重建出原始图像，而且在投影数据不完全的情况下也要能有效达到图像重建的精度要求，对于复杂场来说就更加困难。此时，原有的图像重建算法已不能满足现代各方面的应用需求。BP神经网络是一种利用梯度下降法进行误差反向传播的前馈神经网络，具有非线性逼近能力强、结构简单、技术成熟等优点。将其引入光学CT图像重建，在少数投影重建的情况下，可以利用其强大的自适应学习能力和联想综合能力，实现从已知投影值的视角区域到未知视角区域的弥补，从而有效提高重建图像的精度。在深入研究CT图像重建的各种算法、BP神经网络算法及其改进算法的基础上，本文对BP神经网络的改进及其在光学CT图像重建中的应用进行了研究和探讨，主要工作包括以下几个方面：(1)分析总结了BP神经网络的缺陷，阐明了BP神经网络收敛速度慢和存在局部极小的原因，推导了目前相关改进算法的实现过程，讨论了各种改进算法的优缺点，并给出了不同情况下选取训练算法的原则。(2)针对BP神经网络存在的各种缺陷，结合BP算法原理和现有的BP改进算法，提出了一种可同时自适应调节学习速率和动量因子的新型BP算法，并对新算法中传递函数的选取进行分析和讨论，给出了适用于各种情况下的传递函数的具体函数形式。仿真结果表明，新算法可有效改善BP神经网络的收敛特性，而且预测效果要优于其他BP改进算法。(3)分析了BP神经网络重建图像的常用模型，发现其在应用上存在重建精度低、耗费时间长、网络结构复杂等缺点。在此基础上，本文提出了一种改进的BP神经网络重建图像模型。该模型输入为原始图像的投影数据，输出为重建图像的投影数据，则网络隐含层的输出即为所求的重建图像。根据图像重建理论，网络隐含层和输出层之间的权值矩阵即为投影系数矩阵，因此，网络在训练过程中只需调节输入层和隐含层之间的权值，大大降低了网络的运算量，有助于加快网络的收敛。在实验仿真时，将此新型BP神经网络重建图像模型和本文提出的改进BP算法应用于Shepp-Logan模型的模拟重建，并与传统BP改进算法和原有图像重建算法的重建结果进行比较，结果表明，此方法可显著缩短网络收敛时间，提高重建精度，重建效果要远远优于其他算法。这一研究为后续神经网络在图像重建中的应用打下了良好的基础。