电容层析成像技术具有非侵入、响应速度快、结构简单、成本低、安全性能好等优点，是一种非常有发展潜力的PT技术，可适用于两相流检测的很多应用领域。 目前在ECT系统中较常用的两种图像重建算法是线性反投影(LBP)算法和迭代算法。LBP算法重建速度快，适合在线实时成像，但重建图像的精度不高；迭代算法属于多步算法，可反复修正成像结果得到较高精度，缺点是速度较慢。由于ECT技术在线实时成像的精度较低，还不能满足工业生产的要求，限制了ECT技术的推广应用。 ECT图像重建精度不高的主要原因是ECT敏感场的“软场”问题以及投影数据有限。本文从两个方面着手研究改善ECT技术重建图像的质量，一是增加投影数据，获得较多的介质分布信息，二是图像重建算法。 增加ECT系统的测量极板数目，可以增加投影数据量。考虑到增加极板数须减少极板宽度，进而会加大测量电路的检测难度，本文采用神经网络实现投影数据的增加，由8极板投影数据通过一个预先训练好的神经网络获得16极板的投影数据。神经网络训练采用的是贝叶斯正则化和Levenberg-Marquardt法相结合的训练算法，可以提高网络的泛化能力并且收敛速度很快。仿真结果表明，这种方法可以提高重建图像的精度。 本文提出一种基于灵敏度矩阵奇异值分解的图像重建算法，用奇异值分解方法求ECT灵敏度矩阵的逆，可以获得较好的近似，并可以通过去除较小的奇异值增加重建的稳定性。该算法重建图像所用的时间与LBP算法相当，而重建图像的质量与迭代算法相近，是一种精度较高的实时重建算法。