在80年代被提出来的电容层析成像技术(Electrical Capacitance Tomography Technology,ECT),是用来探究被测管道或者区域中具有不同介电常数的物体的分布情况。ECT技术凭借其简单的构造,无需直接接触,廉价的成本以及可检测范围广等优势,在将来的石油、化工等各个工业领域内具有很好的发展前景。经过这么多年众多相关科研人员的研究与发展,ECT技术已经取得很大的进展,但是由于软场特性问题的存在,且无法避免和彻底解决,导致ECT系统图像重建的效果不理想,所以对ECT技术重建算法进行深入研究具有重要意义,未来仍需要相关学者对该技术深入学习和研究。本文在查阅了大量国内外参考文献基础上,对ECT技术背景意义、国内外研究近况及其应用领域进行了简单介绍,并对ECT系统基本构成与数学理论基础等进行了具体地阐述。然后详细论述了卷积神经网络(Convolutional Neural Network,CNN)的基本结构和工作理论原理及其过程,并针对目前ECT重建图像精度不高的问题,提出一种基于CNN网络的ECT图像重建方法,主要完成了如下工作:首先,针对目前ECT图像重建中固定灵敏度场所提供物场信息不全面的问题,提出一种利用CNN网络对ECT系统的灵敏度矩阵进行更新的方法,使得灵敏度矩阵随着流型的不同而发生变化,从而能够提供关于物场的更多信息。该方法主要在利用COMSOL软件提取了大量灵敏度场样本的基础上,经训练后,建立网络模型,然后以Landweber算法图像作为网络的初始值,使用该模型更新灵敏度矩阵,并用于ECT图像重建。最后进行仿真分析,并与使用固定灵敏度矩阵所重建的图像相对比,结果表明对灵敏度矩阵的更新确实可以一定程度提高图像质量,从而证明了该方法的有效性。其次,针对现如今ECT系统重构图像质量不高的问题,本论文提出一种利用CNN网络解决ECT图像重建问题的方法。该方法同样在提取了大量流型样本的基础上,经训练后建立模型;然后以Landweber法图像重建结果作为初始值,利用该网络模型重建出几种典型流型的介电常数分布;最后进行成像结果分析,对几种不同算法所重建图像进行仿真比较,验证了该方法的有效性。最后,为了进一步提高ECT系统重建图像精度,将基于CNN网络的灵敏度场更新方法与利用CNN网络解决图像重建问题的方法相结合,提出一种基于CNN网络的ECT图像重建组合算法,首先按照前面方法得到两种网络模型结构,然后以Landweber算法图像重建结果作为灵敏度矩阵的网络模型输入,获取更新后的灵敏度矩阵,使用该矩阵进行Landweber图像重建,并将图像重建结果作为流型网络模型输入,进而重建出物场分布。最后通过仿真实验对本文所提方法进行了验证。仿真实验结果表明,本文方法能够有效的反映出待测区域的物场信息,所取得的结果图像与原始图像之间的误差与相关系数比LBP方法和Landweber方法要更好,这也为ECT图像重建算法提供一种有效的方法。