研究表明,生物组织发生早期病变且尚未在形态结构上产生改变时,生物组织病变部位的电特性（电阻抗、电导率、介电常量）首先发生变化。因此通过检测组织的电特性就有可能达到对疾病早期诊断的目的。生物电阻抗成像（Biological Electrical Impedance Tomography,BEIT）是对组织电特性检测的成像技术,一种继形态结构成像之后的新一代功能成像技术的统称。感应式磁声成像（Magneto-Acoustic Tomography with Magnetic Induction,MAT-MI）是一种以超声波为信息载波的新型多物理场耦合的生物电阻抗成像方法。它依据电磁感应原理在被测组织内部产生感应涡流,有效的消除了生物组织的屏蔽效应,避免了注入电流的安全问题,也提高了检测灵敏度,是多物理场耦合的功能成像技术的标志性进展。MAT-MI的图像重建问题是一个非线性的逆问题,目前研究者们通常基于样品介质的电导率分布为分区均匀及电导率分区形状较为规则的假设进行研究。学者们已经提出了数种解逆问题的重建方法,但目前依然存在着许多制约MAT-MI走向实际应用的问题。MAT-MI中重建电导率逆问题的复杂性、声源数据多是集中在组织交界的边界处、和声源数据具有方向性等因素一直限制着重建电导率逆问题的研究进程,至今仍然没有一个较为理想的重建电导率的解析解或者计算解法。随着深度学习的发展,在医学成像领域得到了较好的运用,其中生成对抗性深度学习网络是近年来广泛应用的网络结构。基于以上背景,我们根据目前的磁声耦合成像理论原理和基础模型,在COMSOL仿真平台上构建了磁声耦合成像正问题的仿真模型;又在该模型基础之上根据实际肿瘤的变化形态设计并采集二万对多参数化、多型态化的简化的仿真样本数据集;利用生成对抗性网络搭建重建电导率分布的网络训练模型;将矢量声源数据和更多样化的电导率分布样本对作为训练数据集,来训练重建电导率分布的模型;根据训练好的模型输入矢量声源数据重建出未知的电导率分布图像,并且做了一系列的对比验证实验;又另外收集若干个奇异或者病态的数据,验证并排除过度学习等不良效果。最终结果表明,本论文通过深度学习的方法和多样化数据集样本能完整的重建出多形态多变化的测试集电导率分布。主要结论如下:1)病变区域的形状、位置、个数、面积大小、肿瘤边缘软硬程度等不同的特征都不影响电导率重建结果的准确度,且不同特征的样本重建成功率几乎一致。2)输入训练集中声源数据方向的完整性不影响重建结果的准确度,为先验信息不足的磁声成像方法提供了新的可能。3)本论文提出的方法能够完整地重建出复杂电导率样本分布的内部以及边界的电导率,并且成像清晰,成像速度快;在测试集中添加噪声依然能稳定的重建电导率值的分布。4)与传统重建方法对比,在重建图像的清晰度,电导率值的重建等方面都要优于传统方法。5)对于电导率形态不与训练集一致的随机样本也能较好的重建出形态分布和电导率值的分布,无严重失败案例,无病态性重建结果,无过度学习情况。