气固流化床广泛应用于化工、电气、冶金等行业，其流动参数及流型测量对流化床的机理研究及系统控制优化具有重要意义。电容层析成像（ECT）技术可通过测量管道外电极阵列间的电容向量来重建管道截面介质分布，具有实时、非接触、经济、可靠、安全等优点，逐步用于气固流化床的流动可视化测量。本文主要针对ECT重建存在的“软场”和病态问题，研究了基于数据驱动的卷积神经网络电容层析图像重建方法，开发了相应的ECT测量系统，并将其用于循环湍动流化床内的颗粒流动特性研究。
　　首先，针对ECT重建存在的“软场”和病态问题，建立了基于数据驱动的卷积神经网络(CNN)的颗粒浓度分布重建模型。采用数值模拟的方法构建了具有典型流型和随机流型的数据集，对卷积神经网络模型进行学习和训练，进而获得颗粒浓度分布预测模型。进一步分析了不同模型参数对图像重建精度的影响，以实现模型的优化，并对其重建效果与传统算法进行了比较。结果表明 CNN 算法在随机流型和典型流型重建时的相关系数均在0.97以上，在信噪比为20dB时图像重建相对图像误差仅3.99%，且进行逐帧成像时耗时仅10ms。
　　开发了一套基于卷积神经网络算法的ECT测量系统，主要包括硬件与软件两部分。硬件部分由电容传感器阵列、电极选择开关、电容检测电路、数据采集与控制系统四部分组成，主要进行电容信号转换、数据采集与传输；软件部分包括通讯控制模块、重建计算及图像显示模块，可实现电容测量信号的接收、浓度分布图像计算以及结果的显示和存储等功能。
　　最后，对开发的ECT系统进行了性能测试评价，并对循环湍动流化床中的颗粒浓度分布特性进行了实验研究。静态实验结果表明：基于卷积神经网络算法的ECT系统对分层流、环状流、单核流、双核流四种典型流型进行成像时的相关系数均大于0.85，成像效果优于传统算法。循环湍动流化床颗粒浓度分布测量实验结果表明：流化段内颗粒分布均呈中心稀边缘浓的趋势，降低初始加料高度、增加测量高度或增加气流流量，均会使得管内颗粒平均浓度降低。这与典型流化床内颗粒分布具有良好的一致性，进一步证明了所开发的ECT系统的有效性。