两相流是指同时存在两种不同相（气、液、固相）物质流动的工况,特别是气液两相流现象是工程领域中最为常见的流体流动现象,广泛存在于各类重大装备现场,如低温推进的液体火箭发动机高速涡轮泵、核电主岛泵、高温高速航空发动机齿轮箱等。这些气液两相流现象的出现将严重影响整机系统及其关键零部件的性能,因此适当地表达和获取两相流特征参数（如流型、相比率、流量、流速等）极为重要。在前期研究提出的基于电阻层析成像（Electrical Resistance Tomography,ERT）技术的两相流流型特征测量方法实现过程中,图像重建是至关重要的环节,但其重建算法存在精度低、收敛速度慢以及重建图像质量差等问题,基于此,本文深入开展两相流图像重建算法及流型识别的研究。具体研究内容为:1、发展了BP、小波以及RBF神经网络等三类可用于两相流流型图像重建模型及算法。采用COMSOL软件建立了ERT传感器的二维截面有限元模型,并仿真得到敏感场边界电势数据;以边界电势数据进行神经网络训练,进而发展了基于BP、小波以及RBF神经网络等三类可用于两相流流型图像重建的模型,给出了具体的算法流程和求解步骤,并对其适用性进行分析。结果表明RBF神经网络算法更优于BP和小波网络,且在芯流流型的保真度上达到86.9%,在环型流型的保真度上达到83.1%。2、提出了一类RBF与卷积神经网络相融合的流型识别算法。通过图像重建算法构建了用于两相流流型识别的图像数据集,并进行了图像数据集的划分;搭建了专用于两相流流型识别的深度卷积神经网络模型,并进行网络模型的训练和测试,从而完成两相流流型识别,并获取流型识别准确率参数。结果显示其识别准确率达到97%,从而实现了更为准确的流型识别。3、优化设计了基于ERT技术的两相流测试系统,并开展了两相实验,验证了模型和算法的正确性。从激励信号产生、激励和测量电极的选通、电压信号的放大、数据采集以及数据的传输等电路考虑,优化了硬件电路组成,搭建了基于ERT技术的两相流测试系统。开展了实验测试,测量得到了敏感场边界电压数据,并基于实验数据进行图像重建,保真度达到79.3%～88.6%;完成了与COMSOL软件仿真结果的对比验证,显示了测试和仿真结果的一致性;并利用实验数据的重建结果实现了对流型的精确识别;进而论证了本文所发展的用于两相流图像重建算法和流型识别卷积网络模型的正确性。其研究过程也为解决工程应用的实际问题提供可借鉴的思路和参考价值。