电容层析成像技术ECT(Electrical Capacitance Tomography)是一种断层层析成像技术,它通过测量物体表面周围电极之间的电容值来计算物体内部介电常数的空间分布,具有非侵入、适用范围广、安全、快速响应、结构简单等优点,主要用于工业管道内的多相流检测。ECT技术的成功应用主要取决于反问题求解的精度与速度,即图像重建的质量。本文针对12电极ECT系统,对电容层析成像系统流型特征提取与图像重建等关键技术问题展开研究,主要研究内容如下:详细论述了ECT系统的组成及工作原理,给出了ECT系统的数学模型,通过被测物场的数学模型分析了求解ECT正问题的方法,采用有限元方法建立了电容值、灵敏度分布和灰度值之间的关系,得出图像重建即ECT反问题的求解原理,为电容层析成像系统流型特征提取和图像重建建立了理论基础。针对传感器结构参数对系统性能的影响,建立了传感器敏感场场域的数学模型,从软场角度、介质分布、敏感场的均匀性以及传感器结构参数等方面进行了分析,确定了传感器的优化设计函数。采用响应面方法对隐式函数进行拟合,得到响应面方程并加以验证,获得了一组传感器优化参数,完成了传感器的优化设计。针对电容层析成像系统流型特征提取和识别问题,分析了不同流型的电容值分布特性,根据分布规律提出了11个特征参数,该特征参数中包含了各种流型的特征信息。在此基础上提出了一种基于特征提取和RBF径向基函数神经网络的ECT图像流型识别方法,该方法将特征参数作为RBF神经网络的输入进行训练,经特征参数提取后提高了流型识别的效率。仿真实验结果表明,对典型的层流、满管、环形流和均匀流,采用RBF神经网络比采用BP神经网络的平均识别率高将近10%,并且性能优于数据直接输入神经网络的模型。针对ECT系统正问题求解及识别问题,将ECT系统正问题计算得到的电容值作为先验知识,建立测试数据多变量指标关系,采用主成分分析方法对多个变量进行降维,使得到的综合因子尽可能反映原变量信息量,并彼此不相关。降维后,在训练集上采用支持向量机进行训练,得到分类模型和分类决策函数,对层流、单滴流、核心流、环流、空管和满管6种流型测试集进行数据分类预测,并讨论了SVM中参数取值的影响,用遗传算法和粒子群算法对参数进行了优化设计,优化后的SVM模型提高了分类准确率。针对电容层析成像技术中的“软场”效应和病态问题,提出了一种改进信赖域的电容层析成像图像重建算法,给出了求解非线性不适定问题的信赖域算法的计算步骤,同时利用BFGS公式对迭代过程中产生的Hesse矩阵进行校正,最后对该算法的收敛性进行了分析和证明,为ECT图像重建提供了一种新的有效方法。