电学层析成像（Electrical Tomography,ET）技术凭借其实时性高、成本低和非侵入性的优点,被广泛应用于多相流流体检测过程。但由于单一模态的ET成像技术的测量范围较小,且测量结果精度较低,无法满足较复杂的工业生产需求。因此,研究更高精度的ET图像重建算法和多种模态组合的ET系统具有重要的意义。为了改善上述问题,本文查阅大量国内外相关文献,将ECT/ERT双模态系统用于气-油-水三相流的检测中,并将遗传算法与卷积神经网络（Convolutional Neural Network,CNN）相结合,实现对ECT和ERT系统重建图像的优化。同时,采用与自编码神经网络相结合的生成式对抗神经网络（Generative Adversarial Network,GAN）,实现对两种模态优化图像的融合。本文的主要工作如下:1.针对ECT和ERT系统进行建模仿真过程中出现的数据采集效率差、精度低的问题,本文基于COMSOL软件的“APP开发器”模块,设计并开发了两个可以自动进行循环激励并导出数据的“ECT APP”和“ERT APP”,可以一键获取多种流型下任意一种流型的1000组不同位置场域数据。2.针对ET经典图像重建算法成像效果差的问题,提出一种基于遗传算法的改进CNN图像重建优化算法。使用遗传算法代替CNN训练过程中常采用的梯度下降方法,可以有效避免陷入局部最优,甚至导致梯度消失的情况。算法是基于CNN与灵敏度场相似的非线性结构对灵敏度场特征进行学习,进而实现对Landweber初始重建图像的优化,并从成像效果、误差和相关系数三方面与经典的LBP和Landweber算法进行对比。实验结果显示,优化算法在重建图像精度方面有所提升,且图像相关系数更高,误差更小。从而证明了基于遗传算法的改进CNN优化算法对于提升ECT和ERT系统重建图像质量的有效性。3.针对ECT/ERT双模态系统图像融合结果精度较低的问题,将自编码神经网络结构用于GAN的生成器网络中,提出一种基于自编码神经网络与GAN的ECT/ERT双模态图像融合算法。在判别器网络中,将常用的BN方法换成SN,用以改善网络训练过程不稳定、成像精度较低的问题;在网络训练过程中,采用带有动量的随机梯度下降与均方根传递相结合的Adam方法对参数进行更新。在网络损失函数中加入结构相似性损失和内容损失,从源图像的结构、亮度、对比度、像素强度和梯度五方面对融合图像进行约束。利用基于自编码的GAN算法对ECT/ERT双模态图像进行融合实验,从融合图像中包含的有效信息量、图像质量和与源图像的结构相似度三方面进行评价,并与经典的拉普拉斯金字塔图像融合算法和基于模糊逻辑的图像融合算法进行对比。实验结果显示,相较于已有的两种融合算法,基于自编码的GAN图像融合算法在上述三方面数据都有所提升,证明了基于自编码的GAN图像融合算法有效提升了ECT和ERT融合图像的精度。