内窥式光声层析成像(Endoscopic photoacoustic tomography,EPAT)将无创的光声层析成像(Photoacoustic tomography,PAT)和内窥检测技术相结合,可为生物腔体组织疾病的早期诊断以及指导介入治疗等提供可靠的依据。由于腔体内封闭成像几何的特殊性,受成像导管机械结构和探测位置及成像时间等因素的限制,探测器往往只能在腔体内进行有限角度的扫描,采集到不完备的光声信号数据,进而导致重建图像中出现伪影和失真,降低图像质量。本文的研究重点是利用探测器采集的稀疏测量数据重建高质量的EPAT图像。主要创新性工作包括两方面:一是设计一种基于压缩感知(Compressed sensing,CS)的EPAT图像重建方法,根据CS理论从不完备的光声测量数据中恢复出完备数据,然后采用时间反演(Time reversal,TR)算法从恢复出的完备数据中重建腔体横截面的初始声压分布图。二是设计一种基于深度学习的有限角度扫描EPAT图像重建方法,利用训练后的卷积神经网络,对采用标准TR算法从不完备光声测量数据中重建出的低质量图像进行优化,提高图像质量。采用动脉血管的计算机仿真模型验证两种方法的有效性,仿真实验结果表明:对于全角度扫描稀疏采样的情况,CS重建图像的结构相似度指标可比标准TR重建图像高约40个百分点;基于深度学习的重建方法则可以有效修复由有限角度扫描造成的图像失真,减少伪影,提高图像质量。