宇宙线μ子成像技术是近年来发展起来的一种新型无损成像技术,它利用天然的宇宙射线作为射线源,避免了外加人工射线源对被检物及操作人员造成的辐照影响。此外,宇宙线μ子穿透本领强、对高原子序数(高Z)材料比较敏感,这些特点使得该技术在重核材料的无损成像上具有优势,在核安保、核废物测量以及条约核查等领域有着广阔的应用前景。该技术的研究重点和难点是成像算法,其中高Z物质快速识别算法是宇宙线μ子成像技术应用于安检领域的重要理论基础,如何实现快速高质量的图像重建也是需要特别关注的问题。然而,宇宙线μ子的通量有限,且各个μ子的能量和入射角存在明显差异,带来了重建图像噪声较大和数据不完备等问题,从而导致现有μ子成像算法大都耗时长、成像质量不高,难以满足现实应用需求。为此,本论文尝试将机器学习引入到μ子成像算法研究中以试图改善算法性能。机器学习技术在大数据分析、智能识别及归纳预判等方面具有很多优势,在人工智能等领域得到了非常广泛的应用。然而,目前关于机器学习在μ子成像算法研究方面的报道很少。为了提高高Z物质的识别效率及图像重建质量,本论文对基于机器学习的高Z物质宇宙线μ子成像方法中若干有代表性的基础问题进行了研究。在基于无图像模式的材料识别算法研究方面,本论文利用蒙特卡罗方法及宇宙线发生器CRY建立不同物质的μ子散射角数据集,利用有监督学习中的分类模型和灰色系统理论对数据集进行深入分析整理,设计二分类模型并建立用于结果判定的决策函数,构建了无动量信息的CMA及含动量信息的MCMA两种高Z物质快速识别算法。对算法的性能检测结果表明这两种算法效率高、鲁棒性好。其中CMA算法不需要对μ子动量信息进行测量,对系统要求低,更易实现。CMA对于高Z与中Z(或低Z)物质的区分效率较高,1分钟的检测时间内可以判定密封容器内的10 cm铀方块是否存在,但对于高Z物质之间的区分效率较低,区分10 cm铀方块和铅方块需要2个小时,适合用于高Z物质是否存在的快速判定;MCMA算法需要提供μ子动量信息,但对高Z物质的区分效率较高,4分钟的检测时间内就可以准确区分密封容器内的10 cm铀方块与铅方块。此外,该方法对μ子动量测量精度和探测器位置分辨率具有较好的容错能力,μ子动量测量误差在50%以内及探测器分辨率在3 mm以内并不会对算法效率造成明显影响,是CMA算法的一个有效补充。在基于图像模式的材料及边界识别算法研究方面,本论文首先是在基于散射图像分析的基础上加入无监督学习中的聚类方法,通过网格聚类的方法及密度聚类的方法不仅实现了不同原子序数材料的区分,而且还实现了图像噪声的去除以及边界的识别。在宇宙线μ子成像实验装置TUMUTY上获取了实测数据,对方法进行了验证,表明该方法可以提高图像重建质量以及对不同材料进行识别。其次针对经典μ子成像算法PoCA在竖直方向重建图像噪声大、边界模糊等问题提出了基于μ子透射图像信息分析的厚度测量方法,该方法对于厚度2 cm及以上铀平板的厚度测量相对误差不大于2%。对透射模式和散射模式成像图像质量进行了分析并提出了将两种物理信息相结合的图像重建方法,分析结果表明利用两种物理信息重建图像可以有效提升图像质量。最后,为了进一步提高高Z物质的识别效率,研究了利用μ子的散射特征及透射信息对不同原子序数的材料进行识别,结果表明综合利用两方面的物理信息可以有效提升材料识别能力。本论文紧密围绕宇宙线μ子成像技术的应用需求,对机器学习技术应用于高Z物质宇宙线μ子成像算法研究方面进行了探索,研究结果不仅为宇宙线μ子成像技术的应用提供了理论支撑,也拓展了μ子成像算法的研究思路。此外,本论文研究内容对人工智能与辐射成像技术的交叉融合研究也有一定的启示。