1.一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述方法包括以下步骤：S1：选择真实的MIT设备与计算机连接以供采集数据，设备工作方式采用单激励单接收工作模式；

S2：制作不同形状物体，规划采集中物体在场内分布位置，构建真实电导率作为标签；

S3：对采集的数据进行预处理，并划分出神经网络需要的训练集和验证集；

S4：将数据输入进搭建好的BP神经网络进行训练；

S5：将训练好的网络生成的数据，经过图像处理方法重构出电导率分布图。

2.如权利要求1所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S1中，将MIT设备连接到计算机，确保设备产生的非仿真数据通过AD模块传入计算机，设备使用单激励单接收的工作模式。

3.如权利要求1或2所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S2包括以下步骤：S2.1：搭建xy轴移动机器，以MIT成像物场的圆心为坐标原点；

S2.2：根据需求制作共三种形态的物体分别如下：直径为30-40毫米的圆柱体、边长为

30-40毫米的正方体、横切面为等腰直角三角形的三棱柱，等腰直角三角形直角边长30-40毫米；

S2.3：根据不同形状物体，计算其可在物场内的最大移动范围，根据范围规划尽可能多的放置点，记录下对应的位置的坐标，以便xy轴机器以及标签制作使用；

S2.4：利用xy轴移动机器，将目标物体精准遍历场内规划好的点，每个点位停留20帧，以便后期处理使用；

S2.5：将圆形物场用三角形均匀划分，采用512个大小相同的三角形进行剖分，结合S2.2的位置坐标以及实际的目标物体的阻值来构建场内真实电导率分布，即R＝{σ(1)，σ(2)，…，σ(512)}，σ代表对应三角形区域的电导率，最终送入神经网络训练的即为一个1×512的矩阵。

4.如权利要求1或2所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S3的处理过程为：在采集数据时，每个点位停留20帧，在数据处理过程中，选取其中的若干帧用来训练，并对输入阻抗值进行归一化处理。

5.如权利要求3所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S3中，将训练数据分为两块，横截面为圆和正方形的数据用来作训练集；横截面为等腰直角三角形用来验证集。

6.如权利要求1或2所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S4的处理过程为：搭建三层BP神经网络，输入层神经元个数选择256个，与输入数据个数一致，输出层神经元个数选择512个，与输出的剖分三角形个数一致，隐藏层神经元360个，个数选择参照输入与输出神经元个数相乘的平方根得到，根据问题的特殊性，构建损失函数公式如下：其中l∈[0,511]，代表标签中的512个剖分三角形，pl代表当前第i个数据预测结果中，第l个标签的期望输出， 代表当前第i个数据预测结果中，第l个标签的预测输出。

7.如权利要求1或2所述的一种基于深度学习的电阻抗断层图像重构方法，其特征在于，所述步骤S5中，用编程语言编写成像画图程序，程序在接收到神经网络预测结果即R＝{σ(1)，σ(2)，…，σ(512)}矩阵后，在成像画图程序画出的512个三角形单元中找寻对应序号的三角形，根据物体电导率不同给予不同颜色的上色效果，最终成像出一个电导率分布图。