气液两相流是多相流中的常见形式之一,其广泛存在于煤炭输送、石油开采、原油运输、工业排污和气力输送等与人类生产生活和实践活动密切相关的过程中。通过一定的测量技术来研究气泡的分布状态,对于掌握气液两相流的流动机理具有重要意义。本文以液相中的气泡为研究对象,提出了基于改进卷积神经网络的气泡流场三维重建方法,再现气泡流场的三维分布,为进一步分析气相在液相中的运动特性奠定基础。本文针对气液两相流研究中的气泡流场重建问题,设计了一套基于光场相机的气泡图像采集系统,用于获取水中稀疏气泡的光场图像。并通过光场图像标定实验,获得了重聚焦图像聚焦深度的查询字典。在图像预处理方面,提出了基于目标动态定位的气泡分割算法及基于边缘生长的气泡图像尺寸标准化法,分别用于解决重聚焦图像序列中因气泡绝对位置不固定而导致的气泡图像难于自动分割及标签不一致的问题和图像尺寸标准化所带来的气泡特征变化的问题。为了实现气泡深度信息的计算,本文构建了基于卷积神经网络的气泡深度预测模型,即基于LeNet5分类模型和DIF-LeNet深度预测模型。LeNet5分类模型主要通过识别气泡的“聚焦”图像,再根据查询字典获取气泡深度。DIF-LeNet预测模型是一种改进的双信息融合卷积神经网络模型,该网络实现了不同维度数据的特征融合及目标量的回归预测。DIF-LeNet深度预测模型仅通过单幅重聚焦气泡图像及该图像的聚焦深度就可以预测出气泡的深度,从而提高了气泡深度预测的计算速度和计算精度。将气泡深度、中心及半径相结合,即可重建气泡的三维流场。对比实验结果表明,基于DIF-LeNet深度预测模型的三维重建方法比基于统计的重建方法在精度上提高0.3%,在速度上提高9.73秒/个;比基于LeNet5分类模型的重建方法在精度上提高5.4%,在速度上提高3.17秒/个;对于无聚焦图像的气泡,基于DIF-LeNet深度预测模型的三维重建精度远高于其他两种方法。