火电厂锅炉炉内、建筑物内火灾蔓延趋势等气体浓度场监测,对于实现过程监控、改善系统效率、确保系统安全等方面具有重要意义。目前光学气体成像技术研究成熟,但以国外工业产品居多,特别是其中的关键光学器件几乎被国外垄断。与光学技术相比,声学气体传感技术拥有价格低、维护低、寿命长等优点。此外,声波传感器安装便捷,更适合规模化系统布置。因而声学气体成像越来越受到人们的重视。本文在基于声速频散的气体传感方法的基础之上,与反问题求解的重建算法相结合,提出了一种基于声速频散的气体浓度场层析成像（CT）方法:利用多组收发一体的声波传感器对组成矩形阵列,对被测区域内的混合气体发收3-5个频率点的声信号,对测得的声波传播时间数据进行反演,利用反演得到的多频率点声速值完成声速频散谱线的重建,再根据声速频散谱获得的弛豫时间定性分析气体成分,利用声速频散强度完成气体浓度场的定量成像。与现有的声学气体浓度场成像方法相比,本文所提方法的创新点在于:1)无需测量声衰减,仅利用测量精度高的声速一个声学参数便可以实现混合气体浓度场的重建;2)除了定量成像,本文所提方法还可以对未知气体成分进行定性探测。仿真实验结果表明,基于声速频散的气体浓度场成像方法,可以完成CO2-N2二元混合气体以及CO2-CH4-N2三元混合气体的定性探测和浓度分布重建,重建平均误差可低至1.12%。同时,本文通过多工况气体浓度场的仿真重建,研究了影响重建精度的因素,对比分析了三种典型的重建算法在重建精度和抗噪声能力等方面的性能表现,并确定了相关算法的参数选取。结果表明,三种算法中代数重建法的重建质量相较最小二乘法有所提升,基函数法的重建质量最优。在气体浓度场的细化重建阶段,通过引入BP神经网络,获得了一种基于最小二乘-神经网络（LSM-NN）的气体浓度场细致成像方法。仿真实验结果表明,相比于传统的利用插值进行细化重建的方法,基于神经网络的方法具有较高的重建精度和较强的噪声适应能力,且适用范围更广。