电阻抗断层成像(Electrical Impedance Tomography,EIT)是一种基于边界数据以重构物体内电阻抗分布的成像技术,在医学、工业和地质研究领域都具有广阔的应用前景,但其空间分辨力相对其他成像技术仍然较低,形成了该技术应用的瓶颈。EIT空间分辨力低的最主要原因是由于其数学问题中的欠定性和病态性,而目前EIT中的绝对成像算法,即重构电导率绝对数值分布图像的算法,都无法克服这两个问题以得到满足实际需求的空间分辨力,所以目前EIT中主要研究差分成像算法。差分EIT成像,即重构电导率变化分布的图像,可以有效消除系统误差和测量数据中的加性噪声,从而提高成像空间分辨力。差分EIT成像按照应用模式划分,可以分为重构不同时刻之间电导率变化的时间差分EIT成像,和重构不同频率之间电导率变化的频率差分EIT成像。差分EIT成像的空间分辨力上虽然优于绝对EIT成像,但是在很多应用环境下仍然无法满足实际需求,因此,本文针对时间差分EIT应用、频率差分EIT应用和图像校正这三个方面进行提高空间分辨力的研究,主要工作如下:本文提出了一种基于感兴趣区域(Region of Interest,ROI)的时间差分EIT成像算法,该算法利用改进的图割(Graph Cut,GC)方法获取ROI,并将ROI作用于正则化矩阵,能够在几乎不消耗额外时间的基础上,显著提高EIT成像空间分辨力。ROI作为一种先验知识,已经被用于改进图像空间分辨力。但是现有获取ROI的方法需要大量先验EIT图像,ROI的应用也不符合其先验信息的本质。针对上述问题,本文的方法基于ROI的二值性引入离散优化算法-图割方法,并针对EIT应用不满足子模性的问题对图割方法进行了改进,从而能快速获取ROI;文中方法基于ROI作为先验信息这一本质,通过加权正则化矩阵的方式来使用ROI。该算法在不同噪声条件下都优于传统算法,并且在基于活体胸肺实测数据,基于癫痫的仿真实验和实体模型实测数据实验中都表现出优良的性能。实验证明该算法将EIT总体误差减少20%到40%。本文提出了一种基于全变差(TV)正则化的多频差分EIT成像算法,该算法通过TV正则化可支持不连续解的特性改进传统基于体量分布模型的多频EIT算法,显著提高了重构目标边缘的对比度,从而提高了图像空间分辨力。传统基于体量模型的多频EIT算法由于采用了L2正则化,因此无法重构清晰的目标边界。文中方法基于原始对偶内点法和梯度投影法的有约束TV正则化算法来求解体量分布模型,通过提高边界对比度来提升图像空间分辨力。实验证明,虽然该算法收敛速度较传统算法慢,但是该算法在各种噪声情况下均有良好性能,并且在基于水缸实体模型实测数据和基于中风EIT理论模型仿真数据实验中都表现出更高的空间分辨力。实验证明该算法能够降低大约20%的图像噪声和30%的形状误差。本文提出了一种补偿非均匀敏感性的校正算法,该算法通过补偿由于雅克比逆矩阵和不均衡噪声分布所造成非均匀敏感性,提高了图像空间分辨力。剖分单元由于几何位置的不同具有不同的敏感性,低敏感性单元上包含的信息很容易被高敏感性单元的信息所掩盖,造成EIT成像精度下降。文中方法计算出由于正则化矩阵引入和不均衡噪声存在而被改变的敏感性,再利用敏感性对每个剖分单元的成像结果进行加权以补偿非均匀敏感性。文中方法还包括一种快速校正形式,以降低计算和时间开销。该算法在各噪声水平下的性能变化以及与不同正则化技术相结合的情况,分别通过基于癫痫理论模型的仿真实验和基于癫痫实体模型的实测数据实验进行了分析。该算法对于脑部EIT临床应用的性能也通过活体小白鼠实验进行了评估。实验证明该算法对于高噪声和复杂环境下的EIT问题具有实际意义。