电容层析成像技术（Electrical Capacitance Tomography,ECT）是20世纪80年代发展起来的两相流参数测量方法,其具有可视化、结构简单及成本低廉等优点,在工业检测技术中有着广阔的应用前景。基于ECT技术的两相流分布可视化测量、流型辨识及其参数估计是ECT技术应用的主要研究内容,而图像重建质量一直是制约其成功应用的“瓶颈”问题。本文基于极限学习机（Extreme Learning Machine,ELM）算法对上述问题进行了相关研究,主要工作及结果如下:（1）研究了基于ELM的ECT图像重建算法。首先,选定5种流型分布,为使样本具有较好的代表性,各流型中物体的分布位置及大小均随机生成,并计算相应的归一化电容值作为ELM网络训练及测试样本;其次,优化选取了ELM网络的隐层节点数;最后进行了仿真及静态实验,结果表明,该方法与常用的反投影及Landweber迭代算法相比,重建图像质量得到明显提升;且该算法具有优秀的泛化能力;同时,该算法重建速度快,可满足工业实时成像的要求。（2）研究了基于核极限学习机（Kernel Extreme Learning Machine,KELM）及ECT的两相流流型辨识。KELM算法相较于ELM算法具有更好的稳定性,本文选取了7种流型,同样采用随机模型建立方法获得了网络的训练及测试样本集,最后,进行了相应的仿真及静态实验,并与ELM算法进行了对比,实验结果表明,KELM算法的辨识率均优于ELM算法,且仿真及静态试验对应的流型平均辨识率分别为94.29%及95.74%。（3）研究了基于粒子群优化极限学习机（Particle Swarm Optimization Extreme Learning Machine,PSO-ELM）及ECT的两相流参数估计。首先,选取了4种流型,获得了相应的训练及测试样本;其次,分别构建了PSO-ELM的流型辨识及参数估计网络,先使用PSO-ELM流型辨识网络对样本进行流型辨识,然后根据辨识结构采用相应的PSO-ELM参数估计网络对该流型的参数进行估计;最后进行了仿真实验并与ELM算法进行了比较,结果表明,PSO-ELM算法较ELM算法可在更少的隐层节点数下准确流型辨识和参数估计,简化了网络结构,提高了网络的稳定性和准确性。