电阻层析成像（Electrical Resistance Tomography,ERT）是一种近年来蓬勃发展的重建被测场域内介质电导率分布的高新检测技术。其是基于电导（阻）传感机理,且具有结构简单、响应迅速以及成本相对低廉等特征。目前,经过有关专家学者和研究机构的不懈努力,ERT成像技术日渐成熟,已经被广泛应用于工业、医学等诸多领域。然而ERT软场特性等问题,并没有从根本上进行解决或改善,往往成像效果并不理想。因此,继续开展对ERT图像重建算法的深入研究具有重要意义。通过阅读国内外相关的文献资料,以及参考在工业、医学领域中ERT成像应用案例,本文研究设计了电阻传感器结构参数的最优算法,来间接改善灵敏度场的软场特性对于图像重建的效果;同时,在遵循ERT图像重建理论上,结合字典学习与贝叶斯先验理论的研究思想,提出了基于改进压缩感知的图像重建算法。本文通过以下几个方面进行论述:1.针对ERT系统灵敏度场的非线性问题,选取Nelder-Mead单纯形法对电阻传感器的结构参数进行优化,暨设置罚函数来限制优化迭代结果,满足罚函数的基础上选取结构参数的最优解。通过COMSOL 5.5软件仿真建模及对灵敏度场进行条件数及特征值谱参数评价,将优化后的极板与未参与优化的极板分别构建灵敏度场并进行对比,实验表明优化后的极板所构建出的灵敏度场矩阵的条件数明显减小,特征值谱图像更加稳定平缓,进而验证利用Nelder-Mead单纯形法的极板优化方案对于灵敏度矩阵软场特性有一定的改善。2.压缩感知算法是一种比较成熟的算法,而基于字典学习的压缩感知算法与ERT系统逆问题的相似性,将两者结合应用于ERT系统中,以此提高ERT成像精度。在压缩感知理论基础上,以线性反投影法获得电导率矩阵作为初始信号,选取字典学习方法构建正交稀疏基,分解出稀疏系数作为信号特征,归一化灵敏度场矩阵按行随机处理并补零延拓作为观测矩阵,进一步探讨了通过改进的SGK算法来构造字典学习的综合模型来求解相关系数的方法,使ERT的欠定性问题通过字典学习化解为解l0-范数问题,并依托CVM工具进行求解,很好的解决了压缩感知问题的NP-Hard问题,最终求解场域介质的电导率矩阵信息。本文选取不同重建算法分别进行仿真实验,引入误差及相关系数对重建图像进行比较,验证该算法与其他算法相比能有效的减少误差且提高了相关系数,证明了该算法的可行性。3.因为ERT实际应用中存在无法忽略的信号噪声问题,根据前文的基础上加入加性噪声干扰,添加不同百分比的噪声来模拟实际情况下不同的检测环境所存在的噪声对于信号的影响,在压缩感知理论的基础上,提出一种基于贝叶斯理论和字典学习的ERT图像重建算法。引入贝叶斯先验模型,与ERT系统结合,对中间图像分块表示来生成SGK字典,构造适用于ERT系统的贝叶斯先验分布,并将先验信息与检测电压值相结合构造后验分布信息,通过交替迭代模型逐渐缩小稀疏系数并更新迭代噪声,进而重构电导率矩阵信息来还原图像。最后,通过信噪比及结构相似性的比较,从数据上定量的分析验证了贝叶斯理论去噪效果;通过对比重建图像效果的误差和相关系数,进而验证了通过贝叶斯理论改进字典学习算法的有效性和可行性。