电容层析成像技术(Electrical Capacitance Tomography,简称ECT),是一种基于低频电容和电阻测量的层析成像方法,近年来已被广泛应用于工业过程成像和监控中。基于电容传感和电阻的测量原理,使ECT具有结构简单、成本低廉、无辐射和安全性好等优点,是目前过程层析成像技术研究的热点之一。首先,基于12电极ECT成像系统,分析了ECT系统的组成及图像重建原理,构造了两相流ECT系统数学模型,搭建了实验仿真环境。另外,对传统常用的ECT流型辨识和图像重建算法进行了初步的研究,分析总结了各种不同算法的成像特点。然后,对于目前ECT流型辨识精度低的问题,进行了ECT系统流型识别的研究,首先通过不同的流型特点来处理电容传感器得到的电容数据,提取各种流型的电容特征值。接着,用得到的电容特征值参数来训练粗神经网络,然后通过该网络完成对流型的分类辨识。最后通过Matlab仿真实验结果的分析,发现相对于BP神经网络,该方法的辨识精度有一定的提高。最后,针对ECT反问题中图像重建困难的问题,首先研究了将卷积神经网络(Convolutional Neural Network,简称CNN)应用于ECT图像重建的可行性,在对卷积神经网络中较耗时的深层结构和训练过程问题进行深入研究的基础上,给出了一种加速收敛卷积神经网络(Fast Convergent Convolutional Neural Network,简称FCCNN)的图像重建方法,最后通过ECT实验仿真系统,与传统算法的仿真实验结果进行了对比和分析,实验结果表明,改进后的算法对常见管道流型的图像重建效率和质量都有一定的提高。