燃烧是现代社会能源生产的主要来源形式,为了提高能量转换效率,节约能源等,了解和有效控制燃烧过程至关重要。复杂流场的燃烧诊断往往要克服其高速、高温、高压等湍流场特性,诊断难度较大。可调谐二极管激光吸收光谱（Tunable Diode Laser Absorption Spectroscopy,TDLAS）技术与计算机层析成像（Computer Tomography,CT）技术结合起来的可调谐二极管激光吸收光谱层析成像（Tunable diode laser absorption tomography,TDLAT）技术可以同时测量火焰温度、组分浓度等火焰流场参数的空间分布,具有广泛的应用场景。为了更加快速、准确地进行燃烧诊断,该文将深度学习算法应用于TDLAT测量系统,研究复杂燃烧场内火焰温度的重建,主要开展的工作如下:首先,针对现有基于深度学习的TDLAT算法利用整个燃烧场吸收值重建燃烧场中心区域某局部感兴趣区域（Region of Interest,Ro I）内的温度分布,从而会导致重建结果存在偏差的问题,设计了一种燃烧场的离散密度差异化数学模型,该模型对计算资源与燃烧场不同空间区域的成像分辨率进行优化配置。在该模型基础上设计了一种基于多通道聚合注意力网络的TDLAT火焰温度成像方案,该方案可获得投影数据的多尺度特征,完成多通道内的信息交互,同时增加关键特征的表现力,提高了火焰温度的重建精度。其次,针对如何有效利用TDLAS两条谱线的投影数据,以及网络难以兼顾重建精度和重建效率的问题,在燃烧场的离散密度差异化模型的基础上设计了一种基于多层感知机的TDLAT火焰温度成像方案,该方案通过反复学习投影数据与火焰温度之间基于谱线频率上的映射关系以及基于谱线角度上的映射关系,实现了投影数据特征深度提取及信息交互,提高了火焰温度的重建精度与重建效率。最后,针对如何有效直观表达TDLAT投影数据与流场参数的真实分布之间映射关系的问题,设计了一种基于伪逆卷积神经网络的TDLAT火焰温度成像方案,该方案通过伪逆层可得到火焰温度的预重构图像,进一步揭示投影数据与流场参数的真实分布之间的内在相关性,便于网络提取二维空间特征,从而有效提升了火焰温度的重建精度。