在现代工业中,多相流技术更多地应用在石油、化工、润滑油、轻工业等各行业中,并且这些行业均是国民经济的主导行业。研究多相流技术的本质就是对多相流的流型进行识别。一般情况下,多相流主要分为固、液、气三种状态。本文针对油和水两相状态进行研究。例如:在石油领域中,多相流检测技术对井下原油的开采起到很重要的作用。本文主要对电容层析成像技术的测量原理进行了简要的阐述,分别对该系统三大组成结构进行了介绍。以麦克斯韦方程组为基础,并结合测量原理,进而介绍了电容层析成像(Electrical Capacitance Tomography)系统的正问题和反问题。即对该系统的正向模拟和反向演变过程进行理论研究,得出求解电容值的数学模型以及介绍反演过程中重建图像的方法和流型识别的常用方法。针对于传统的流型识别方法,分别介绍了最邻近识别法、特征提取法、神经网络法和压缩感知法等。通过COMSOL仿真软件建立电容传感器,设置基准传感器的尺寸,根据采用单一控制的方式对传感器的极板个数,管壁厚度以及极板覆盖率等参数进行仿真研究。进一步的优化传感器的结构参数,进而确定了本文中所应用的16极板的传感器的参数。并通过对该传感器的COMSOL with MATLB的仿真,得到实验中各个流型的数据。根据仿真研究得到的流型数据,针对传统的电容层析成像(ECT)流型识别方法识别度低的问题,提出一种基于集成学习理论的ECT流型识别方法。将ECT系统获得的大量流型数据进行归一化处理,并将样本数据的60%随机分配给训练数据,40%作为测试数据。在现有随机森林分类器的基础上进行改进,通过对单独一小类流型进行识别,获取各类流型的识别标签,并通过组合策略的原则将多个小类别得到的标签结果进行重组,最终获取多种流型分类结果。对8种典型流型的仿真实验结果表明,该方法继承了传统的随机森林的分类特点。在5～40d B信噪比的情况下,识别度有明显的提升,而且识别度最高可达99.93%,表明了这种方法抗噪声干扰能力强,是一种适用于工业检测的方法。通过实验对基于集成学习理论的ECT流型识别方法的研究,并与常用识别方法的学习进行对比。首先,通过人工神经网络对各流型的识别做出分析。其次,通过特征提取的方法进行预处理,再对其结果进行神经网络法,从其结果中分别对五种神经网络方法进行分析,得出RNN神经网络的识别效果最好,识别度均在80%以上,最高可达100%。又通过结合Kmeans聚类、ANN、贝叶斯、集成学习等方法,在20-40d B的噪声条件下,对流型的总体识别度进行实验并分析,验证了集成学习方法的识别度均在其他方法之上。