气液两相流现象广泛存在于化工、运输、石油开采、核反应及有相关的传热系统中。两相流流型很大程度上影响着气液两相流的流动特性和传热特性，同时也影响流动参数的准确测量以及两相流系统的运行特性，因此流型识别和特性研究是两相流参数测量的一个重要研究方向，同时也为相关工业生产设备安全、经济运行提供有力的技术支持。运用序列统计概率的隐马尔可夫模型(HMM)分类器对流型进行识别，而HMM识别所需要的特征向量是用经验模态分解(EMD)和局部均值分解(LMD)得到的。对经EMD分解得到的本质模态函数(IMF)分量计算峭度系数；用近似熵计算LMD分解得到的乘积函数(PF)，并将峭度系数和熵值作为HMM的特征向量。其中EMD分解的特点是对信号的类型没有限制，而LMD方法具有迭代次数少、速度快的优点。针对HMM寻找全局最优点较难的问题，本文提出了粒子群算法(PSO)优化的HMM的模式分类器。该算法可以优化HMM训练模型，并能够准确寻找全局最优概率。通过将特征向量输入到该分类器中进行处理，得出PSO优化后的算法识别率高且更有效结论。为了有效地表征气液两相流不同流型特性及演化特征，本文运用复杂性熵理论对两相流进行分析，其中复杂性熵为EMD熵、功率谱熵和样本熵。EMD熵是气液两相流流型信号经EMD分解后各IMF分量的熵值；功率谱熵是在傅里叶变化的基础上，应用信息熵得到功率谱熵值；样本熵是在近似熵的基础上做出了改进。计算了不同工况下气液两相流电导波动信号的三种复杂性熵，结果表明：三种复杂度熵对气液两相流流型变化是敏感的，通过观察三种复杂度熵随两相流流动参数变化的规律，可以进一步揭示气液两相流流动特性。总之，这三种熵为理解和揭示两相流流型特性提供了有效途径。