切连科夫激发的荧光扫描成像(CELSI)是一种新兴的成像技术,在生物医学领域有着广阔的应用前景.本课题组前期分别基于Tikhonov正则化和稀疏正则化实现了CELSI断层成像,但重建图像的质量仍有待提高.基于此,本文提出了一种基于Unet的图像后处理算法.该算法将Tikhonov方法只迭代一次得到的低质量图像作为Unet网络的输入,通过网络学习对重建的图像进行一定的修正,以进一步提高重建图像的质量.实验结果表明,所提算法可以提高计算效率,而且当荧光目标在深度50　mm处时重建图像的峰值信噪比和结构相似度分别能达到28　dB和0.92.所提算法基于单荧光目标数据集训练的网络模型能够较好地重建出多荧光目标,表明了该算法具有较好的泛化能力.