电阻抗层析成像技术(Electrical Impedance Tomography,EIT)是一种无损功能图像重建技术,在医学、工业等诸多领域都具有广泛的应用前景。EIT技术主要是通过对被测物体施加一定的电学激励,然后通过测得的边界测量值来实现对被测物体内部的介质分布进行图像重建。从八十年代末起,开始受到人们的关注从而得到快速发展,而面向人体肺部检测的EIT系统须对肺功能状态变化具有较强的敏感性,对重建图像的分辨率和重建质量有非常高的要求,因此如何进一步提高重建图像的质量是目前将EIT技术应用于肺功能检测的关键所在。由于边界电压测量数据的数量远小于要重构的未知电导率分布的数量,EIT技术存在固有的“软场”特性,从而导致了图像重建中的不适定病态问题。目前传统的图像重建算法通常是将EIT逆问题映射到特定的空间,再进行求解,但线性化的过程丢失了许多特定的信息,导致重建图像无法达到很高的精度,并且该过程通常很耗时。现有的人工神经网络方法在训练中容易陷入局部极值点中,收敛速度慢,对于复杂非线性函数的表示能力有限,导致重建图像不够理想。本文针对上述问题进行的主要研究内容如下:1.提出了基于电场特征空间映射的深度学习EIT图像重建新方法,通过建立映射模型,并根据大数据样本找到两者之间的非线性关系,避免了EIT逆问题线性化带来的精度降低等问题。2.为了尽量克服EIT逆问题求解过程的不适定问题,提升重建图像的精度,基于等位区理论对边界电压测量值进行了预处理,使其电压值映射到敏感场内的像素块中,形成包含目标物体分布信息的敏感场特征空间序列,构建网络所需的大数据样本。3.提出了用于EIT图像重建的卷积神经网络方法,建立敏感场特征空间序列到重建电导率分布的一对一映射模型。网络结构基于Le Net,并通过使用随机失活层和移动平均模型来增强参数的稳定性,提高网络模型的泛化能力。4.本文进行了相应的仿真实验、噪声鲁棒性实验与实际EIT系统实验,验证了本文所提方法的有效性。结果表明,本文所提方法有着很好的噪声鲁棒性和泛化能力,重建图像相比其他传统成像算法得到的结果具有更高的精度,可以满足对于重建图像分辨率要求较高的特定场合。