燃烧诊断在能源工程、航空、航天等领域中有着重要作用,对提高燃烧效率和控制污染气体排放等有重要意义。对燃烧过程中温度、燃烧组分、速度等关键物理参数的测量是燃烧诊断领域的重要课题。得益于光学检测技术具有非接触、无干扰的优势,结合计算层析技术能够进行三维重建测量的特点,火焰发射层析技术（Flame Emission Tomography,FET）能够实现燃烧场三维结构以及关键物理参量的无扰动、瞬态的三维测量和流动显示,对燃烧过程的监控和燃烧机理研究具有重要意义。本文围绕火焰发射层析重建中的曝光过度、多组分测量、有限角投影和高效重建等问题和需求展开讨论,取得一系列研究成果。火焰发射层析权重矩阵计算模型的研究。在已有的透镜成像模型的基础上,细化了成像像素与弥散斑之间的位置关系,提出了改进的火焰发射层析权重投影矩阵计算模型,使其更适合于实际的成像过程。通过数值实验和丙烷火焰重建实验验证了该模型的可行性。对火焰发射成像曝光过度的CT修正算法研究。针对燃烧诊断过程中由于火焰局部突增会导致曝光过度的现象,提出了用于补偿三维FET重建中成像曝光过度的混合算法。通过数值模拟探索了该算法对不同光饱和比例的投影的重建能力;分别采用基于代数迭代算法和基于相机饱和修正算法对不同曝光时间条件下的丙烷火焰多方向投影进行三维重建。结果表明:此方法能有效补偿因曝光过度导致的火焰峰值信息的损失,改善重建质量。火焰发射层析的正则化重建算法研究。将燃烧场的先验知识与迭代类重建算法融合,提出一种基于总变分稀疏正则化的三维重建算法。首先,通过数值实验分析,证明在本文的实验中,该算法的重建结果误差仅为ART算法的50%。其次,提出了一种基于投影误差的正则化参数选取方法。最后,通过实验验证,证明了该算法可以有效抑制代数迭代法重建中存在的伪影（artifacts）,提供了一条通过多信息融合来改善燃烧场重建质量的途径。多组分火焰发射CT重建技术研究。提出一种基于Bayer格式图像的彩色分离算法,由此算法实现了通过一组彩色相机对火焰中CH*和C2*两种组分进行的三维同步测量的技术。由双波长固体激光作为模拟光源,验证了该彩色分离算法的精度,得到平均均方根误差小于0.5%的结果;结合火焰发射层析技术,实现了对瞬态非轴对称丙烷火焰CH*及C2*双组份的同步三维测量。该算法的提出有助于改进燃烧诊断中多种发射光谱的同时获取和定量分离技术,对燃烧诊断中进一步的燃烧场温度、当量比、速度等关键物理参数的测量有重要价值。基于深度学习的火焰发射层析重建技术研究。将深度学习理论与三维CT重建技术相结合,提出基于卷积神经网络（Convolutional Neural Networks,CNN）的三维火焰场快速重建方法。基于该方法对三类蜡烛火焰进行CH*和C2*双组份的三维结构重建,验证了直接采用CNN来替代CT重建算法进行三维重建的可行性。通过与其它CT重建算法的对比,发现在本文的实验中,基于CNN方法的重建耗时仅为现有迭代类重建算法计算耗时的1%;在已完成网络训练的前提下,能实现对燃烧流场的实时重建。在此基础上,讨论了在不同曝光时间条件下基于CNN网络模型的三维快速重建技术的泛化能力。最后,针对总投影角受限的重建问题,进一步研究了基于卷积神经网络的三维FET快速重建技术的可行性。