超声层析成像（Ultrasound Tomography,UT）具有非入侵、成本低等优点,在工业测量和医学监测等领域具有广阔的应用前景。图像重建算法可重建出被测场域内介质的空间分布,对于过程监测与控制有重大意义。然而在UT系统中,由于超声测量探头数量固定且发射角度受限存在测量盲区,导致图像重建存在精度低、鲁棒性差等问题,因此提高图像重建精度是UT技术发展的瓶颈问题。本课题针对传统图像重建算法精度不高的问题,设计卷积神经网络（Convolutional Neural Network,CNN）实现图像重建,在重建过程中使用卷积提取边界测量值的数据特征,最后通过池化与连接操作重建内含物分布。具体研究工作如下:（1）建立超声层析成像数据库。针对深度学习网络模型训练需要大量测试样本的问题,利用COMSOL Multiphysics?与MATLAB联合仿真建立不同内含物分布及其对应声压的超声层析成像模型数据库。基础数据库包含23355个不含扰动数据的样本,然后通过添加不同程度的扰动信号对数据库样本进行扩充,解决网络训练过程中数据量不足的问题。（2）基于U-NET卷积神经网络的超声层析成像方法。为提高图像重建精度,提出一种基于U-NET的预成像卷积神经网络模型,将预重建图像作为网络的输入,U-NET通过多次下采样充分提取多维度图像特征,网络输出层通过合并多种特征图来有效提高重建精度,同时具有良好的抗噪性,解决了传统算法重建图像伪影严重的问题。（3）基于多通道卷积神经网络的超声层析成像方法。超声检测系统通常受传感器发射角限制,导致先验信息不足,重建图像伪影严重。为提高重建精度,提出一种多通道卷积神经网络（CNN）方法,使用48个有效测量值预成像图片的像素矩阵作为通道一,全部256个测量值作为通道二。使用通道二的数据指导训练过程中特征的提取,解决了超声测量数据受换能器发射角限制的问题,提高了图像重建精度。