电容层析成像（Electrical Capacitance Tomography,ECT）是一种极具应用前景的过程成像技术。它主要通过测量系统采集各个电极之间的电容值,再借助适当的图像重建算法对被测区域的介电常数分布进行可视化重建。因具有非侵入式测量、设备成本低、成像质量高、成像速度快、无辐射以及结构简单等优点,它逐渐成为工业领域中过程检测的重要技术手段。高精度的成像质量是ECT获得可靠测量结果的重要保障,为研究成像目标内部的复杂机理提供了强有力的科学支撑,因此本文主要通过研究检测系统和图像重建算法两个方面提高ECT的成像质量,主要的工作总结如下:（1）详细分析了电容层析成像正问题、敏感场和逆问题的数学机理。介绍了典型非迭代和迭代成像算法的成像原理和优缺点,并通过数值实验定量地比较了它们的数值性能。（2）设计搭建了一套电容层析成像系统,实现了对成像目标的在线自动成像。设计了集成信号发生器、电极选择模块、电容测量电路、可编程增益放大器和数据采集模块的硬件电路,该硬件电路有效削弱了环境中噪声对成像结果的影响,各个测量通道的信噪比（Signal Noise Ratio,SNR）值都保持在较高水平,具有较好的抗噪能力和稳定性。用C++语言编写了 ECT系统的多功能上位机界面,实现了在线成像和控制下位机动作的功能。实验结果表明,该套ECT成像系统不仅具有较高的测量灵敏度、信噪比和数据采集精度,而且提高了数据采集速度和在线成像能力,可以用于多相流成像实验研究。（3）提出了一种带有驱动电极的电容传感器结构和新的工作激励方式,有效解决了因被测区域中心处敏感场值小和敏感场分布不均而导致的ECT成像质量差的问题,极大地提高了图像重建质量。通过电磁场理论分析,从机理上推导了驱动电极传感器结构的敏感场求解公式,并且研究分析了当激励电极上激励电压、驱动电极的长度和相邻检测电极间距等因素发生变化时,驱动电极上最优驱动电压的变化规律。数值仿真和实验结果表明,通过选择最优驱动电压,驱动电极传感器结构能够较大地改善敏感场的分布质量,提高ECT的成像质量和图像空间分辨率。（4）提出了一种基于迭代分裂布雷格曼方法（Split Bregman Iterative,SBI）的图像重建算法,提高了 ECT反问题的求解效率,增强了算法的鲁棒性和稳定性,缩小了成像结果与成像目标之间的差距。基于Tikhonov正则化方法（Tikhonov Regularization Method）和变化域稀疏性理论,设计了 一种新的目标函数模拟ECT的图像重建问题,在该目标函数中,L1范数被作为解的精确项测度,Lp范数和L1范数被作为稳定泛函。将软阈值方法（Soft Thresholding Method）和快速迭代收缩阈值方法（Fast Iterative Shrinkage Thresholding Method）整合到SBI方法中形成了一种有效的求解器,对目标函数进行求解。数值仿真和实验结果表明,所提出的图像重建算法提高了图像的重建质量。（5）提出了 一种基于正则化极限学习机（Regularized Extreme Learning Machine,RELM）的图像重建算法,有效克服了由电容数据不准确和敏感场质量不高造成的不利影响,增强了 ECT系统面对复杂成像目标时的成像能力,提高了最终的成像质量和稳定性。该算法的实施主要包含两个阶段:第一个阶段就是学习阶段,根据大量的训练样本,提炼出电容相关系数和成像目标之间的正则化极限学习机模型,并通过迭代分裂布雷格曼算法进行求解;第二个阶段就是成像阶段,计算ECT系统测量电容值的相关系数,将计算得到的电容相关系数作为正则化极限学习机模型的输入,并预测最终的成像。数值仿真和实验结果表明,提出的图像重建算法增强了数值解的稳定性,提高了图像重建精度。