电阻层析成像（Electrical Resistance Tomography,ERT）技术作为一种可视化检测技术,因其能够将封闭管道或过程容器设备内部的实际情况以图像的形式显示,所以该技术在可视化检测领域中得到了飞速发展。但现有的图像重建算法的成像精度并不是很高,应进一步提高ERT重建图像的成像精度;且ERT重建图像由于软场特性、算法精度、噪声等各方面因素的影响会有一定程度的失真,以失真图像为基础的后续流程控制判断会有一定的误差,因此,为获取可靠的图像信息,对于ERT重建图像质量的评估也尤为重要,但是在实际的情况中,通常无法得到参考图像。所以,本研究致力于探索一种新的ERT图像重建算法和一种不依赖参考图像的无参考ERT图像质量评价方法。主要工作内容如下:（1）提出一种将长短期记忆网络与卷积神经网络结合的ERT图像重建算法。首先将ERT仿真数据输入到长短期记忆网络中进行流型识别分类,然后通过相应的卷积神经网络模型实现图像重建,最后将该算法的成像结果与三种经典的图像重建算法结果进行对比,结果表明本文所提出的ERT图像重建算法精度更高。（2）提出一种基于改进VGG（Visual Geometry Group）网络的无参考ERT图像质量评价方法。利用仿真软件建立ERT重建图像库,选取图像的相对误差与相关系数作为质量评价指标。首先将每幅ERT图像进行分块以增大样本量,接着进行预处理并提取每个分块图像的信息熵,再将信息熵归一化作为权重引入损失函数中,通过改进的VGG网络训练一个最佳的模型,最后使用此模型对ERT重建图像的质量分数进行预估。通过与四种常见的无参考图像质量评估方法进行对比,本文所提的方法准确性更高。（3）为了验证本研究所提出的算法在实际测量的ERT重建图像质量评估中的有效性,将研究得到的算法模型应用在基于ERT的矿山充填管道可视化检测平台上进行实测验证,实验表明可以利用仿真图像作为训练样本进行图像质量评估。