电容层析成像技术 ECT(Electrical Capacitance Tomography)是一种多相流在线检测成像技术，它具有成本低、适用范围广、响应速度快、非侵入式、操作简单和无放射性等特点，被广泛应用在工业管道内等多相流检测领域。ECT是根据电容传感器内被测多相流各相有不同的介电常数，当各相的分布发生变化，引起多相流的等价介电常数也发生变化，传感器极板对之间电容值也随之变化，再利用一定的图像重建算法对被测管道内横截面各相介质的空间分布进行重构。　　本文主要以12电极ECT系统为研究对象，在对ECT系统的组成、工作机理、ECT系统数学模型、ECT正问题求解方法和传感器的敏感场分布特性等分析的基础上，开展了传感器优化设计、图像重建与融合、流型特征提取和数据采集系统等关键技术问题展开研究，主要研究内容如下。　　针对电容传感器各结构参数对ECT系统性能的影响，建立了传感器场域的数学模型，采用有限元方法分析了传感器的敏感场分布、“软场”特性和影响敏感场均匀性的结构参数，确定了传感器优化设计函数，并采用粒子蚁群优化算法寻优求解出多条备选路径，初始化备选路径中的信息素，根据初始化信息素快速收敛的特性求出最优解，完成了ECT系统传感器的优化设计。　　针对ECT采集系统模拟滤波计算精度低和延时长等问题，提出了一种串并结合的分布式与WALLACE TREE相结合的改进滤波算法，设计了ECT数字采集系统，该系统以FPGA为核心，控制激励信号产生，调整各电极状态、进行通道之间切换，在FPGA内部对经A/D转换器转换后的数字信号进行数字解调滤波，提高了采集系统的精度和速度。　　针对ECT系统图像重建精度问题，在分析 ECT系统各类图像重建算法特点的基础上，提出了一种基于小波变换的图像融合算法，该算法以不同算法重建的源图像作为融合的基本信息，根据图像高频和低频部分包含信息不同的特点，采用局部能量和梯度融合方法对高频部分进行融合，采用相对误差线性加权方法对低频部分进行融合，融合后的图像能够最大限度减小重建图像的误差，为ECT图像重建的质量提升提供了一种有效方法。　　针对ECT系统流型特征提取和识别问题，分析了不同流型的电容值分布特性，根据分布规律定义了11个特征参数，特征参数组合可覆盖各种流型的特征信息。提出了一种基于特征提取和Elman神经网络 ECT系统流型识别算法，该算法将11项特征参数输入 Elman神经网络输入层进行训练，经特征参数提取后提高了流型识别的效率。仿真实验结果表明，对典型的层流、满管、环形流、均匀流，采用Elman神经网络迭代次数比BP神经网络迭代次数减少了25％，流型的识别率提高了8%。