电容层析成像（Electrical Capacitance Tomography，简称ECT）技术具有结构简单、成本低、非侵入、响应速度快、安全性能好很多优点。受到很多学者的研究，但是其本身的“软场”特性，还有需解决问题的非线性缺点，使得ECT技术应用到实际工业中还有一段难以跨过的距离。还需要更多的深入研究。支持向量机(Support Vector Machines，SVM)目前为机器学习的热点，它具有可靠性，原理简单，推广能力强，还有在多层次前馈神经网络领域表现的良好性能。为ECT图像重建提供优异的方法，但是SVM算法现在对大规模样本问题的处理还存在很多问题。　　本文针对SVM在图像重建中的大规模样本问题中训练时间长，精度低的问题，提出了选择分块的SVM算法应用到电容层析成像。如果样本数小到一定数据矩阵行的阈值，直接用SVM分类器，如果样本数超过数据矩阵行的阈值，就用CSSVM算法，针对一小块，从大样本中选择最适合这一小块的小样本组合，训练得到最佳模型。算法将大样本问题转变成小样本分类问题，降低了问题难度，使预测时间短、精度高。实验结果表明CSSVM算法比单独使用SVM算法在重建图像时，具有更高的分类准确率和更短的成像时间。　　分析FPGA开发流程与设计方法，深入了解调试、综合以及仿真过程。将SVM算法在ECT图像重建应用中用FPGA硬件实现，加快图像重建速度。完成SVM算法硬件实现总体架构的设计，和主要功能模块的电路设计，并在ISE8.2上对训练模块和预测模块进行仿真，选取管道的不同剖分单元的模型进行实验验证，实验表明将SVM算法硬化对图像重建的速度有很高的加快，精度也较高。