燃烧在当今社会中的应用十分广泛,一方面是工业界获得能源的主要方式,另一方面是交通工具的主要能量来源。对燃烧过程进行监测,实时掌握燃烧效率是一个非常重要的研究方向。随着人工智能与可调谐二极管激光吸收光谱层析成像技术（Tunable Diode Laser Absorption Tomography,TDLAT）的发展,人们对重建算法的速度、准确性、适用性需求日益提高。针对现有TDLAT算法在成像精度与成像效率方面的不足,该文主要围绕基于深度学习的层次化TDLAT温度分布重建方法进行研究,具体研究内容如下:首先,现有TDLAT方案大多利用整个被测空间对激光束的吸收值,重建燃烧场中心区域某局部感兴趣区域（Region of Interest,Ro I）内的温度分布,从而会导致重建结果存在偏差的问题。该文针对这一问题,提出了燃烧场的空间层次化离散方法,然后设计了一种基于残差网络的层次化温度层析成像方案。该方案能够根据有限数量的光谱吸收测量值完整重建整个燃烧场的温度图像,并对计算资源与燃烧场不同空间区域的成像分辨率进行优化配置,着重实现Ro I内温度分布的高空间分辨率成像。其次,该文提出了基于长短期记忆网络的质量分级TDLAT火焰温度成像方案。该方案能够根据有限数量的光谱吸收测量值,以不同层数的网络,为整个燃烧场重建出两种质量的温度分布图像,即基本质量图像和精细质量图像。其中,基本质量重建能够以较低的计算成本,实现燃烧场的实时动态监测;精细质量重建能够更充分地展现燃烧场温度分布的细节信息,满足燃烧过程高精度离线分析与诊断的需求。最后,该文设计了基于卷积神经网络与Transformer的空间分级TDLAT火焰温度成像方案。该方案引入空间分级层次化离散模型,设计了分别基于卷积神经网络与Transformer的两阶段重建,即高效率重建阶段和高准确率重建阶段。其中,高效率重建阶段以较低的计算成本,重点实现Ro I内的高空间分辨率重建;高精度重建阶段充分利用背景层次化离散模型的空间相关性,实现了完整燃烧区域的高空间分辨率重建。