静电层析成像(Electrostatic Tomography,简称EST)具有实时性高、可视化、成本低、无辐射等优势,可为滑油磨粒在线监测提供一种新型手段。但EST技术被动感应机理获取的有效信息量较少,使其逆问题的欠定性更加严重,无法准确得到异常大电荷颗粒的数量和位置信息。本文将机器学习算法应用于EST图像重建,利用机器学习算法建立测量电荷值和理论电荷分布之间的关系并进行学习,实现图像重建。主要工作如下:1.针对EST逆问题的欠定性,提出基于BP神经网络的EST图像重建算法。在对BP神经网络前向传播和反向传播介绍的基础上,研究将二维横截面内电荷颗粒位置分布提取的大量数据作为BP神经网络的样本集,建立并训练应用于EST图像重建的BP神经网络模型,最后验证了BP神经网络算法的有效性。2.由于CNN网络具有强大的非线性映射能力,提出基于CNN网络的EST图像重建算法。探究针对EST图像重建的CNN网络结构及反向传播权值和阈值的修正机制,将利用Landweber算法处理后的数据矩阵作为CNN网络的输入,理论电荷分布矩阵作为期望输出训练CNN网络模型。将利用CNN网络重建得到的图像与LBP算法、Landweber算法和BP神经网络算法重建得到的图像对比分析,验证了CNN网络算法的有效性。3.最后,针对管道内电荷颗粒数量位置的分辨和识别,提出基于Faster R-CNN的EST电荷颗粒检测算法。研究应用于EST电荷颗粒检测的Faster R-CNN网络模型中的各部分、参数设置及检测的具体步骤。将基于CNN网络算法重建出的EST图像作为Faster R-CNN网络的训练样本集,对训练好的网络进行测试,并将误差定义为检测出的重建图像中点电荷位置坐标与仿真模型中点电荷实际位置坐标之间的距离,验证所提方法的准确性。