电阻抗层析成像(Electrical Impedance Tomography, EIT)技术是一种无损伤的可视化检测技术，具有高时间分辨率、无辐射、非侵入、价格低和便携性等优点，目前已应用于医学监护、工业检测等领域，但EIT技术的低空间分辨率限制了其在应用领域中的发展。为提高重建图像质量，本文对EIT的重建算法展开研究，主要包括数据融合、正则化算法等，具体如下：
　　1.针对EIT单一激励模式的局限性，进行了多种激励模式数据融合的研究，提出了基于Choquet积分的多激励模式融合算法。该算法揭示了激励模式测量值之间的交互关系，从而剔除冗余信息，筛选出每种模式下的最优测量值进行融合成像。结果表明，该算法融合了每种激励模式的优势，有效改善了重建图像质量。
　　2.为提高EIT用于人体肺部成像时的重建图像质量，将胸腔结构和电导率分布作为先验信息融入EIT的重建算法当中。首先，对肺癌患者的正常组织和癌变组织进行了阻抗频谱测量，并通过分析获得了最能反应正常组织和癌变组织差异的频率对，为开展用于肺癌检测的频差EIT研究提供了先验基础。然后，提出了融合先验信息的扩展Kalman滤波算法，利用人体胸腔的器官结构和电导率分布等先验信息构造正则化项，并将其作为目标函数中的“惩罚项”，克服EIT逆问题的“不适定”性。结果表明，该算法可有效改善重建图像质量，且具有良好的抗噪声能力。最后，针对EIT的肺癌组织检测和肺部重建，分别提出了两种基于先验信息的正则化参数确定方法，并利用正则化算法进行图像重建。结果表明，与经典的L曲线法和广义交叉验证法相比，所提出的两种方法能确定出更加准确的正则化参数，提高重建图像质量，并对先验信息的扰动具有较好的鲁棒性。
　　3.提出了一种基于Lp正则化的自适应重加权算法，该算法能够快速求解Lp正则化的目标函数，在迭代过程中自适应确定每个待求未知量对应的p值，并在理论上进行了收敛性分析。结果表明，与其他经典的正则化算法相比，该算法能够有效改善重建图像质量，具有较高的运算效率，并对正则化参数的扰动具有较强的鲁棒性。
　　4.提出了一种基于随机矩阵聚类的正则化参数确定方法，深入分析了该算法的基本性质和理论基础，并利用Tikhonov正则化算法进行图像重建。结果表明，与经典的L曲线法和广义交叉验证法相比，该算法可以确定出更加准确的正则化参数，提高重建图像质量。