脑出血是一种常见的脑血管疾病,具有高发病率和高死亡率的特点,在治疗中对脑出血的准确成像可以为医护人员提供影像信息以辅助诊断。电阻抗层析成像（Electrical impedance tomography,EIT）是在生物医学成像领域一项非常有前景的技术,该技术可以通过边界电压测量数据重建测量场域内电导率分布变化,从而实现人体病理组织的检测。然而,由于EIT技术具有软场效应,即测量场域的灵敏度分布受介质分布的影响,导致重建目标在边界区域时比较清晰、在中心区域时比较模糊。而且,基于EIT技术的图像重建是一个严重病态的逆问题,图像重建的结果容易受到噪声和建模误差等的影响。当利用EIT技术重建脑出血图像时,颅骨的低电导率会导致进入颅内的电流极其微弱,不仅造成颅脑灵敏度分布更加不均匀,而且使得EIT的边界电压测量数据对颅内电阻抗分布变化极其不敏感。因此,EIT技术在重建脑出血图像方面具有良好的应用前景,但是获得高质量的重建图像仍然是一个很大的挑战。为推进电阻抗层析成像在颅脑疾病检测中的应用,本文在线性化和非线性化EIT数学模型构建基础上,分别开展了基于约束稀疏L1范数最小化和基于混合深度神经网络方法的脑出血图像重建研究。1、针对EIT软场效应严重影响图像重建结果及线性化数学模型高度依赖灵敏度矩阵的问题,提出了被测区域敏感场灵敏度矩阵的优化方法,在不考虑和考虑头皮层与颅骨层基础上,分别构建了单层和三层颅脑场域计算模型,并研究了优化前后两种情况下敏感场的分布特性。对比和分析结果表明,经过灵敏度优化后,颅内区域的灵敏度分布得到改善,三层颅脑模型中颅内区域灵敏度的提高比单层颅脑模型更加明显。2、提出了一种基于约束稀疏L1范数最小化的逆问题求解方法,对脑出血引起的电导率分布变化进行图像重建,采用增广拉格朗日乘子法和交替最小化方法求解目标函数。此外,为了加快求解速度,利用一步最陡下降法来获得电导率变化值。为了验证该方法的有效性,分别基于单层颅脑模型和三层颅脑模型,在无噪声和有噪声条件下开展了数值模拟实验研究。通过计算重建图像的评估指标,对所提方法的性能定量验证。定性分析和定量评估结果都表明,所提方法重建的图像优于传统的Tikhonov方法重建的图像。3、提出了一种直接构建边界电压测量数据和电导率变化值之间非线性映射关系的混合深度神经网络的方法,以重建高质量的脑出血图像。所提方法能够利用较少的网络层数提取边界电压测量数据的高维特征和提高数据中不同位置相关性的学习能力,无需额外计算灵敏度矩阵。为了评估所提出的方法的性能,在三层颅脑模型进行了数值模拟实验研究,分别在无噪声条件、不同噪声水平条件、颅脑电导率变化和颅脑模型变形的情况下,重建了脑出血图像。此外,还通过物理实验研究了该方法的图像重建性能。重建的图像和定量评估结果都表明,该方法可以准确地重建脑出血、有效地提高了重建图像的质量。