大型燃煤锅炉中，炉膛温度的分布情况对于实现安全生产、高效燃烧及低污染排放具有重大实用价值和科学意义。根据少量的声波飞渡路径上的平均温度或者声波飞渡时间获得整个炉膛内温度的分布情况是一种典型的逆问题，对其求解是非常困难。本文针对这个问题主要完成了以下工作：　　 将炉膛温度场图像进行二维离散余弦变换(DCT)，变换后所得到的系数矩阵Q作为标识炉膛温度场图像的参量。根据径向基神经网络求得声波飞渡路径的平均温度与矩阵Q的非线性关系。对于每个声波飞渡路径的半均温度都可以得到相对应的系数矩阵Q，通过对该系数矩阵进行二维逆余弦变换可以重建炉膛温度场。本文对单峰模型、双峰模型进行了仿真实验，其均方根误差分别为1.63％、4.72％，最大误差分别为42K、17K。同时产生128组测试样本，对测试样本的目标输出以及实际输出进行回归分析，回归分析的结果表明：测试样本的目标输出以及实际输出非常接近，并且这128组测试样本重建均方根误差主要集中在1％-％4之间。　　 本文通过仿真实验验证DCT系数数目及声波飞渡路径平均温度的测量误差对重建精度的影响。实验表明DCT系数数目对单峰模型的影响比较明显，双峰模型重建均方根误差随着DCT系数的个数增大变化比较平稳。在声波飞渡路径上的平均温度测量误差水平分别为1％到10％情况下单峰模型以及双峰模型的均方根误差集中在1.6％到10％之间，重建图像与实际温度图像相差不大。　　 基于RBF神经网络的温度场重建算法的关键在于RBF神经网络的训练好坏。由于问题的聚类性质，RBF神经网络采取训练方法是聚类算法。但是K均值聚类算法具有对初始聚类中心敏感以及易陷入局部最优，然而利用粒子群算法进行聚类会导致算法的随机性比较大，聚类结果不稳定。因此，将K均位聚类操作作为局部搜索算法嵌入到粒子群算法，以期获得全局寻优能力和局部最优能力平衡。