在物理世界中,多相流的分布非常广泛,但是因为温度、气压等环境的影响,其介电常数不会恒定不变。在被测场域中不会仅仅只存在一种介质,常常是多种介质混杂的情况,这就导致无法对介质数量和介电常数的实时检测。并且多相流还具有繁杂的流动特性,这就造成无法用一般的数学模型进行完整描述的问题,所以实际应用中的测量就会非常困难。现今,针对多相流的实时检测与图像重建的实验,大多处于仿真验证阶段,尽管有一些成果已经投入生产应用之中,而且也可以在在线检测时发挥作用,可是这些方案在两相流中可以稳定适用,但是当处于介质未知且相数未知的情况时,这些图像重建算法就显得无能为力,因此现今迫切需要新的研究来推动发展。进入新时期,随着计算机软硬件的发展,一门新的学科应运而生——机器学习,其蓬勃发展也给多相流检测带来新的希望。机器学习具有训练学习的能力,对介质的电容值进行训练,并根据介质的分布变化、介电常数变化等方面对模型的各项参数进行优化,训练得到可以相数自适应的算法,用于解决多相流的在线检测问题。在对多相流的研究中ECT技术得到广泛应用,对海底油汽的提取与化工生产等很多地方都有ECT技术的身影。但是其应用上依然不完善,存在不少的问题和难点。本课题针对以上存在的问题,在微弱电容环境和对多相流的相数未知的前提下,开展图像重建算法的研究,以达到相数自适应的目的,完成ECT的图像重建,本课题具体围绕两点开展实验:(1)两相流和多相流是物理世界很常见的流体形式。在进行多相流检测时,管道内介质的介电常数常会受到温度、气压等环境因素的影响,而管道中也会出现多种介质混杂的情况,这就造成实时检测时介质相数未知和介质无法区分的情况。本课题利用机器学习中的两种经典算法——支持向量机和决策树,提出基于SVM决策树的相数自适应预测模型,开展实验仿真,并分类预测管内各种介质,该算法可以实现多相流相数的自适应。(2)因为现有ECT重建算法针对的情况是相数已知和介质固定,来开展图像的重新构建。这不能满足现实工业生产的需要,本文建立基于SVM决策树的机器学习方法,进行相数自适应的图像重建算法,通过SVM决策树的相数自适应预测模型,分类管内介质,实现图像重建。最后得出,当相数未知时,此算法可以高效实现图像的重建。最后,根据现实场景需要,因为ECT系统中传感器的敏感区域大多以三维空间的形式存在,所以提出了基于三维图像的图像重建算法。在不同应用场景下,不同的机器学习算法都有其相应的适用范围,在相同适用范围内提出基于机器学习的多个算法相结合的图像重建算法,拓展ECT技术发展的前景。