电容层析成像技术ECT（Electrical Capacitance Tomography）是近年来获得了快速发展的一种多相流在线检测成像技术，它具有成本低、适用范围广、采集速度快、非侵入式、操作方便和无放射性等良好的特点。因此，该技术被广泛应用在工业管道内等多相流检测领域，得到了令人满意的成像效果。电容层析成像技术的本质原理是：通过采集包围在多相流管道周围传感器反馈的存在于不同电极对间的电容值，利用一定的数学图像重建算法对被测管道内横截面上真实的各相介质的空间分布图进行重构的过程。本文主要针对12电极的ECT系统进行图像算法重建、图像滤波和图像融合等关键技术问题展开研究，主要研究内容如下：　　首先，对 ECT系统的组成及工作原理进行了详细的分析，给出通过建立被测物场的数学模型，应用有限元方法对 ECT正问题进行求解的算法过程，然后论述了 ECT反问题的定义，通过分析电容值、灵敏度分布和灰度值之间的关系，最终得出 ECT反问题的求解原理，即图像重建的理论基础。　　针对电容层析成像系统中的“软场”效应和病态特性，在分析电容层析成像和自适应脉冲耦合神经网络的基本原理的基础上，提出了一种自适应脉冲耦合神经网络（PCNN）的图像重建算法，推导出了求解 ECT反问题的PCNN算法及自动设置脉冲耦合神经网络参数的算法步骤。通过仿真和实验与典型的线性反投影算法（LBP）、Landweber和共轭梯度法算法（CG）的成像效果相比较，最终得出该算法具有成像效果好，稳定性高，成像速度快和易于实现等特点，因此为 ECT图像重建算法的研究提供了一个新的方法。　　针对电容层析成像图像数据在获取和传输过程中会受到外界的干扰和破坏，从而使图像受到噪声污染，影响图像的特征提取和图像识别等后续处理的问题，提出了一种基于脉冲耦合神经网络赋时矩阵的图像除噪算法，该算法通过 PCNN的循环点火过程将图像的空间信息映射到二维的点火赋时矩阵，根据噪声强度自动选择滤波窗口大小和滤波次数，利用PCNN赋时矩阵可以有效地滤除图像的脉冲噪声。该算法可以有效地滤除被脉冲噪声污染的图像噪声，图像的除噪效果明显地好于中值滤波、均值滤波及维纳法得到的结果，具有信噪比高、对边缘和细节的保护性好等特点。　　为了提高电容层析成像系统中重建图像的精确度和图像质量，提出了一种基于小波变换的区域特征加权的 ECT成像图像融合算法。该算法首先对应用线性反投影、Landweber和共轭梯度算法重建的图像进行小波分解，分解时选取“sym4”小波函数，分解层数确定为三层，然后对分解后图像的高频系数和低频系数分别采用PCNN点火次数匹配度矩阵和基于区域特征加权的不同融合规则对图像进行融合，最终形成结果图像。仿真实验结果表明，该算法充分结合了各种不同重建算法使得到的图像具有互补特性，使融合后的图像成像精确度得到了显著的提高，减少了误差，融合后的结果图像更接近原始图像，是一种提高ECT重建图像质量的有效方法。　　针对提高 ECT系统重建图像的流型识别和特征提取等后续图像处理工作效率的问题，提出了 ECT重建图像的边缘检测的两种不同算法，即基于二维小波变换的边缘检测算法和基于 PCNN的边缘检测算法。前者可以根据尺度系数的不同而分别实现对噪声的抑制和图像细节的提取；后者在区分边缘点和非边缘点的基础上，结合对比度增强技术，对图像边缘信息进行提取。这两种方法都可以获得清晰的图像边缘信息，特别是基于 PCNN的边缘检测算法还去掉了伪边界痕迹，获得了令人满意的检测效果，也充分证明了这两种方法的可行性。