电阻抗层析成像(Electrical Impedance Tomography,EIT)是一种通过在被测对象的边界处注入电流并测量所产生的电压变化来重建电导率分布图像的技术。由于EIT成像问题具有病态性和欠定性,所以重建图像质量容易受到测量噪声的影响。传统的图像重建方法在去噪的同时,容易丢失部分有用的高频信息,且对重建图像伪影的抑制能力有限。EIT稀疏重建可以有效地减少重建图像的噪声和伪影并保持边界信息。选择合适的稀疏字典可以帮助获得更好的稀疏重建结果,图像质量可以有所提高。与传统的简单快速的固定字典相比,自适应字典可以提取当前图像特征,并通过图像重建和字典学习(Dictionary Learning,DL)交替进行的迭代方法更有效的进行重建。但是目前EIT稀疏成像所采用的字典学习算法都没有考虑对初始字典的优化,并且在重建过程中仅采用简单的浅层字典,只是借助中间结果,并不能很好的利用先验信息,对图像特征的提取也有限。针对上述问题,在EIT稀疏成像模型的基础上,改进了原有的字典学习方法,主要研究内容如下:(1)针对传统字典学习算法随机选取初始字典的问题,结合递归最小二乘字典学习算法(Recursive Least Squares Dictionary Learning Algorithm,RLS-DLA),训练得到含有先验信息的初始字典,有效提高成像结果质量并加速收敛。(2)将深度学习的思想引入EIT,改进了原有的深度字典学习(Deep Dictionary Learning,DDL)算法中贪婪的学习方法和对大数据训练样本的依赖,无需用大量样本训练,在重建过程中将图像分块后作为训练样本,在一个优化问题中整体更新变量,以便更有效的提取特征,提高成像质量。通过仿真实验及真实EIT系统实验和传统方法的重建图像做了对比,显示新方法在减小误差和加速收敛等方面均表现最优。