随着社会经济的发展和工业化的进步,金属零件产品已经广泛运用于国民经济的各个行业。为满足科技和生产的需求,金属零件正向着形状特殊、结构复杂的异型零件方向发展。异型金属零件,如汽车零件,在制造和使用过程中不可避免地出现各种不同类型缺陷,尚缺乏有效的缺陷检测方法,存在极大安全隐患。电磁层析成像(Electromagnetic Tomography,EMT)技术作为一种可视化电磁检测手段,具有无辐射、非接触、灵敏度高等优点,为异型金属零件检测提供了有效方案。可视化可以将检测的结果以图像的形式直观的展示出来,为提高重建图像质量,本课题主要从传感器设计和图像重建算法两方面进行研究。本课题的研究对象为异型金属汽车零件,根据零件结构设计了“O”型传感器阵列,优化传感器仿真模型,分析讨论传感器线圈参数与成像质量的关系,并根据优化的传感器参数搭建电磁层析成像系统进行缺陷成像实验验证。EMT图像重建具有严重的非线性、不适定性和病态性,传统的正则化方法仅能获得单一电导率的近似估计值,提供的模型信息量有限,统计概率方法可以获得大量合理的模型参数估计值。本文提出了一种基于贝叶斯统计模型的电磁层析成像图像重建算法。以标准正态分布作为先验信息,根据贝叶斯理论,获得EMT后验分布模型。为提取图像局部特征,根据缺陷分布的稀疏性,将求解电导率划分为一系列块状结构,使用稀疏贝叶斯学习框架(spares Bayesian learning,SBL),将电导率分布的稀疏先验信息和噪声信息等统计信息引入到EMT图像重建中,从而得到电导率分布全面的统计描述。最后,本文利用稀疏贝叶斯算法和优化的传感器仿真模型对异型金属汽车零件进行缺陷图像重建。为了验证算法的有效性,将新方法与Tikhonov正则化算法、总变差(Total Variation,TV)正则化算法及EM概率统计算法进行比较。仿真和实验结果表明,含有统计信息的稀疏贝叶斯算法与传统算法相比,图像相对误差降低20%,有效提高了重建图像质量与精度。