电阻抗层析成像（Electrical Impedance Tomography,EIT）是新兴的重构被测区域内电导率分布的可视化技术,因具有非辐射、非侵入、实时性等优点被广泛的应用于工业过程检测和生物医学成像领域。但是,电阻抗层析成像图像重构过程是一个高度的非线性病态逆问题,导致重构图像空间分辨率差,目标边缘恢复不清晰,严重阻碍了电阻抗层析成像技术的推广应用。面对日益复杂的应用环境和高质量的重构图像需求,合适的图像重构算法有利于促进EIT技术的进一步发展。正则化方法通过加入先验信息和约束条件等形式稳定和约束不适定问题的解,最终逼近真实解,已经成为求解EIT逆问题的一种有效方法。因此,本文从正则化思想出发,提出了三种基于正则化方法的图像重构算法。本文的主要工作安排如下:（1）针对于全广义变分正则化方法无法有效的保护重构图像边缘的问题,提出了基于非凸惩罚项的全广义变分（Non-convex Penalty based Total Generalized Variation,NCP-TGV）正则化方法。通过添加非凸函数,将总广义变分正则化方法的凸惩罚项转换为非凸惩罚项。在求解目标函数时,通过迭代重加权L1（Iteratively Reweighted L1,IRL1）算法将非凸目标函数转换为凸目标函数,然后利用原始对偶（Primal-Dual）算法对凸目标函数进行求解。仿真和实验结果表明NCP-TGV正则化方法能够得到在抑制阶梯效应的同时有效的保护边缘信息,进一步提高重构图像的空间分辨率。（2）针对于全广义变分正则化方法重构图像中仍存在阶梯伪影的问题,提出了两种基于混合正则化方法的两步图像重构算法。第一种是全广义变分+小波框架正则化（Total Generalized Variational and Wavelet Frame,TGV-WF）方法,采用了平均双增广拉格朗日（Mean Doubly Augmented Lagrangian）算法进行求解;第二种是全广义变分+紧小波正则化（Total Generalized Variational and Tight Wavelet,TGV-TW）方法,采用了交替最小化（Aalternating Minimization）算法和分裂布雷格曼算法进行求解。为了验证TGV-WF正则化方法与TGV-TW正则化方法的有效性,在数值仿真中研究了无噪、有噪、复杂电导率分布等多种因素的影响,仿真结果与定量分析表明,与总变差正则化方法和全广义变分正则化方法相比,所提两种方法均能有效提高重构图像的空间分辨率。另外,静态实验也验证了TGV-WF正则化方法与TGV-TW正则化方法的有效性。