在工业生产中,管道内两相或多相流动是一种常见的现象,但是由于流动状态的复杂性和介质的腐蚀性,导致管道内介质的分布参数难以准确测量。电容耦合电阻层析成像技术是一种新型的层析成像技术,它将电容耦合非接触电导检测技术和传统电阻层析成像技术相结合,具有非接触、结构简单、鲁棒性好等优点,适用于两相流的成像测量。然而,由于反问题的非线性、病态性和敏感场分布不均匀等特点,传统的成像算法对误差非常敏感,不能得到高质量的重建图像。近年来,神经网络在图像处理方面展现出了巨大的潜力,因此将神经网络算法应用于反问题的求解也成为了一种新的研究方向。本文主要研究内容包括以下几个方面:分析了电容耦合电阻层析成像系统的组成和工作原理,利用多物理场仿真软件COMSOL Multiphysics建立了12极板的成像模型,并对正问题、反问题进行了理论分析。研究了CCERT传感器的灵敏场分布,结果表明CCERT敏感场无负灵敏区且灵敏场分布不均匀,电极附近灵敏度较高。采用传统重建算法（LBP算法、Tikhonov算法、Landweber算法、ART算法以及TSVD算法）对两相流的模拟数据进行了图像重建,并从相对图像误差和相关系数等指标对重建结果进行了分析和比较。结果表明,迭代算法具有更好的图像重建效果。利用CCERT模型获得目标物不同位置、大小、数量两相流流型数据集用于神经网络算法图像重建,数据集包含电阻测量值和电导率分布两部分。采用BP和RBF神经网络算法对三种的两相流流型进行了图像重建,并与传统算法进行对比分析。结果表明神经网络算法能够降低图像误差,提高相关系数,相较于传统成像算法,图像质量有所提高。。为了解决BP、RBF神经网络中出现伪影,边缘不清的问题,同时进一步提高图像精度,提出了一种多分类卷积神经网络的图像重建算法,基于卷积神经网络（CNN）算法对三种两相流流型进行了图像重建,并与BP、RBF算法进行对比分析,结果表明CNN算法能够更准确地反映管道内介质的分布情况,从图像误差和相关系数等指标分析同样显著优于其他算法。