电容层析成像技术(Electrical Capacitance Tomography，ECT)可视为目前最为广泛研究的一种过程层析成像技术，该技术具有非侵入、非接触、成本低等优点，从原理上讲只要各相具有不同的介电常数，就可应用该技术。作为电容层析成像系统关键技术之一的图像重建算法，是改善重建图像质量的重要因素。而其中的神经网络方法具有并行处理、分布式存储、自学习自适应、高度容错能力等优点，因此，被广泛应用于ECT图像重建中。本文重建算法的研究是在已有的优化传感器结构参数的基础上进行的，主要完成的工作如下：首先，分别介绍了ECT系统的三大组成部分：电容传感器、电容数据采集系统和图像重建计算机，从理论上详细分析了ECT系统的工作原理。通过数学模型的建立得到ECT系统的特点，进而导出将神经网络应用于电容层析成像图像重建中的优势。其次，深入研究了目前存在的几种典型的图像重建算法，通过对反投影算法的分析，指出这种重建算法的适用范围和劣势所在，通过对比得到将Chebyshev神经网络应用于图像重建中的优势。再次，针对ECT系统存在的“软场”特性及欠定性问题，本文提出了一种将切比雪夫多项式作为激励函数应用于图像重建中。为了降低网络的规模，根据敏感场分布的特点将整个网络划分成六个子网络进行图像重建，应用ANSYS软件编程的方法计算出电容值，并通过单极性S函数进行样本输入区间调整，然后采用改进的K-means算法对调整后的电容值进行聚类，提取特征性样本，以降低训练样本规模，通过Chebyshev神经网络进行训练，得到的权值利用Delta规则进行调整。最后，根据选定的电容传感器结构参数，分别设定不同介电常数和不同模拟流型进行不同算法的图像重建比较，实验结果表明采用该算法进行图像重建不仅提高了成像稳定度和成像速度，而且明显改善了成像质量。