反应堆堆芯中子场的中子分布情况与反应堆经济性和安全性息息相关。由于反应堆堆芯运行环境以及反应堆堆型设计的限制,导致部分情况下无法使用堆芯内探测器进行中子场的监测。因此,基于堆芯外探测器数据重构堆内中子场成为反应堆堆芯中子场监测领域发展的趋势。本文基于堆芯外探测器的空间响应原理,利用神经网络技术,开展了基于堆芯外探测器重构堆芯中子场的相关方法研究。本文主要研究内容、结果和创新之处如下:（1）提出了基于响应中继的反应堆动态响应构建方法。本文方法以堆芯外探测器的空间响应理论为依据,推导出反应堆相邻相空间中子场之间的响应关系,随后,设计了反应堆响应中继区域的设置策略,并发展了相邻响应中继面之间的响应计算方法,最终得到了由堆芯外探测器到堆芯中子场的多级响应矩阵。基于BN600基准模型对提出的方法进行测试,结果表明利用该方法构建的多级响应矩阵可以准确地表征堆芯外探测器到堆芯中子场的动态响应关系。（2）提出了基于神经网络预测的中子场重构方法。本方法首先利用堆芯外探测器到堆芯中子场的动态响应关系,构建用于神经网络训练的反应堆数据集,解决了由于无法大量获取堆内外真实数据而造成的网络训练数据不充足的问题;针对不同模型复杂度下的中子场重构,首先构建了基于人工神经网络（ANN）的重构架构,利用浅层次的网络架构,实现了简易模型下的低分辨率中子场的重构;其次,基于深度学习技术提出了由“粗粒度”到“细粒度”的中子场分级重构架构,实现了复杂模型下的高分辨率中子场的重构。分别采用中国铅冷快堆（CLEAR-I）反应堆模型以及H.B.Robinson（HBR）反应堆基准例题模型对本文构建的重构方法进行测试。针对每个例题的六种堆芯发生变化的情况,利用网络模型重构的堆芯组件中子场与蒙卡正向输运计算的堆芯组件中子场的平均相对偏差ARDTotal都能够保持在2%以内。测试结果表明本文的重构方法能够稳定且准确地实现反应堆堆芯中子场数据的重构,进一步表明当前中子场非原位重构方法在中国铅冷快堆CLEAR-I和压水堆HBR模型上是具有工程化应用前景的。