托克马克中有一类诊断系统的实现依赖于沿着探测器视线方向线积分信号值的测量,这些线积分信号受制于托克马克窗口和诊断系统自身大小限制而数量稀疏,从这些稀疏的一维积分信号中重建出二维的等离子体断层图像有助于后续的物理分析,如MHD行为、杂质粒子输运、湍流输运等常用的一维线积分信号到二维图像信号的重建方法为迭代法,通过施加约束的最优化问题来求解横截面每个位置的等离子体辐射强度值。这样的方法求解速度较慢,且需要先验信息或人为约束。本文发展了一种基于逆卷积神经网络的重建算法。通过提前训练网络使得网络具有重建新的样本数据的能力,一旦网络训练完成,就可以在很短的时间内获得大量的重建图像。本文简单介绍了基于逆卷积网络生成图像的原理,采用了从参数模型获得的数据训练网络,使得网络重建效果有了对比基准。以此为基础设计了适用于重建类EAST软X射线线积分诊断系统的最佳神经网络结构,并改进了网络的损失函数,使得重建精度得到进一步提升。考虑到实际测量环境中信号受到噪声的影响,本文也对该方法的噪声鲁棒性进行了研究。结果证明,在10%、15%、20%噪声的影响下,该卷积神经网络的重建结果依然在可接受范围之内。