随着CT重建技术应用越来越广泛,对其重建速度和精度要求不断提高,所以对其算法要求也不断提高。特别是对于复杂场,改进的联合代数重建算法,虽有较高的重建精度,但它需要反复迭代,不能实现动态场的实时监控。频谱图像重建法有很高的数据处理速度,但重建精度低、稳定性差,无法满足实时测量需要。神经网络法更适合于这类复杂场的图像重建,智能化、仿生化、并行处理及信息融合是层析成像图像重建算法的发展趋势。人工神经网络是由许多具有并行处理功能的单元构成的网络,因为其特别的结构和具有强大的处理信息的功能,所以人们对于人工神经网络的研究火热起来。人工神经网络有许多模型,其中应用最为广泛的是BP神经网络模型,BP神经网络是一种经典的神经网络模型,其结构简单且在理论上可以逼近任意函数。将BP神经网络用在少数投影条件下的CT图像重建中,不仅可以减少图像重建的时间,而且能够提高图像重建的精度。然而经典BP神经网络模型存在几个明显的缺点:收敛时间过长、局部容易陷入极小、网络的泛化能力差等。对于BP神经网络存在的缺陷,本文从以下几个方面对基于先验知识的BP神经网络进行研究:(1)对BP神经网络的拓扑结构、算法过程进行分析,指出了BP神经网络固有的缺陷,在此基础上,重点分析了加动量项法、自适应学习速率法、弹性BP算法、拟牛顿法、共轭梯度法、LM法等当前的几种改进方法。(2)提出一种新的BP神经网络构建方法即基于先验知识的BP神经网络算法。该方法的具体内容是将先验知识应用到BP神经网络模型的确定、激励函数的选择、网络权值的初始化、网络对样本的学习中。(3)构建出一种基于先验知识的BP神经网络模型并应用到CT图像重建中。该模型将原始图像的投影值作为网络的输入数据,重建图像的投影值作为网络的输出数据,所求的重建图像为网络的隐含层数据。该模型由图像重建理论出发,用投影系数矩阵作为神经网络的隐含层和输出层之间的权值矩阵,在网络的训练中只用调节输入层和隐含层之间的权值,这样可以减少网络的运算量从而加快网络的收敛速度。将本文提出的基于先验知识的BP神经网络模型应用到SheppLogan模型上进行模拟图像重建,将图像重建的结果与传统图像重建算法的结果进行对比可得:基于先验知识的BP神经网络算法可以大大地减少网络收敛时间,提高图像重建的精度。