燃烧过程中高温火焰的温度分布不仅能直接表征火焰的三维结构,还可以作为先验知识对燃烧过程的进行预判,具有深刻的指导意义。火焰层析成像技术以其易于实现和非侵入性等优点,在燃烧监测和诊断中发挥着重要作用。然而,由于传统迭代方法的数据量大、耗时较长。因此,本文建立了一种基于深度学习的火焰三维温度快速层析重建和预测的模型,训练后具有快速重建和预测的能力。建立并验证了基于视在光线法的辐射传输模型,建立了考虑辐射传输的基于点扩散函数的光学成像系统的卷积层析成像模型,对火焰进行成像模拟,得到了符合光学定律的火焰层析图像。将以上模型作为反问题求解的正问题模型,构建温度-火焰辐射图像的深度学习数据集。建立了一种深层卷积神经网络,确定了样本集数据参数和网络的结构参数、训练算法。通过该网络模型实现了火焰温度的重建,同时通过在图像噪声下样本的重建结果证明了该模型具有较好的抗噪性、泛化能力和重建精度。另外,从样本数量、样本容量和图像分辨率三个方面开展了模型参数对重建效果的影响研究。结果表明,样本数量越多、图像分辨率越高,重建效果越好,而样本容量则需要在合理范围内选取。建立了一种结合卷积神经网络的长短期记忆网络的模型:CNN用于提取图像特征、输入LSTM预测火焰三维温度。建立火焰的时序样本集,实现了火焰三维温度预测。并考虑了时序噪声和图像噪声两种影响,重建结果表明,该模型同样具有时序和图像两方面的抗噪性和预测精度,同时测试集整体样本的重建效果显示出该模型良好的泛化能力。