多相流作为自然界普遍存在的一种现象,不仅是由于被测介质的介电常数会随着温度等环境的变化而变化,而且还由于被测场域中存在其他介质,会使得测量时出现介质未知的情况,并且其流动特性十分复杂,难以用数学模型完全描述,因而给测量带来困难。多相流的在线检测成像技术和实施方案多处在实验室测试研究阶段,只有少数已商品化,并能普遍应用于在线检测中,且多适用于两相流,尚缺少一种适用于介质未知且相数自适应的图像重建算法,所以需要进一步的研究推动其发展和实用化。而学习是机器学习的一大特点,通过学习介质的不同变化,如分布变化、介电常数变化等,可以及时调整算法参数,这个特点适用于解决多相流在线检测问题。ECT技术是一种用于多相流在线检测技术,广泛存在于海上石油开采等工业化领域研究中。然而,ECT技术在应用上存在不少问题和难点,尚且还不完善。本文从微弱电容处理和介电常数未知情况下的图像重建算法研究的角度出发,基于机器学习的方法研究ECT的图像重建,主要工作和贡献如下:(1)针对ECT的“软场”特征,研究了数据预处理部分的ECT电容归一化模型。分析了电容归一化的物理特性并结合并联归一化方法,建立了一种加权值的电容归一化模型,并应用于基于SVM的图像重建中。通过与并联模型对比得出,在相数确定以及管内介质无变化的条件下,该方法不仅适用于两相流还适用于两相流以上的多相流,其图像重建与真实模型的相关性要高于并联归一化方法。(2)在ECT系统的实际应用中,两相流和多相流是最普遍的流体情况。不仅是由于被测介质的介电常数会随着温度等环境的变化而变化,而且还由于被测场域中存在其他介质,会使得测量时出现介质未知的情况。本文利用机器学习中的支持向量机方法具有良好泛化性的特点,提出采用基于SVC的电容层析成像图像重建算法对未知介电常数对象进行图像重建,仿真结果表明,在相数确定的情况,该算法能有效适应介质多样性变化,即对于不同介质,该算法都能有较高的图像重建精度。(3)现存的ECT重建算法往往只对相数确定以及介质无变化的情况进行重新构建。针对该问题,作者建立了基于SVM决策树的机器学习方法进行自适应相数预测模型,通过SVM决策树的方法实现在相数不确定的情况下,对管内介质进行预测,实验结果表明,在相数不确定的情况下,该方法能较好的区分管内相数以及管内包含的介质。最后,结合上述方法,设计了基于SVM决策树的自适应相数ECT图像重建算法,初步分析了相数未知以及介质变化时,如何进行ECT图像重建,并达到提高重建精度的目的,为ECT技术提供了一种新的研究思路。