電阻抗斷層成像（EIT）技術在肺通氣監測和區域性肺功能檢測中發揮著重要作用。然而，EIT算法固有的病態特性導致從含有噪聲的電壓數據中求解電導率時存在明顯偏差，難以獲得準確的電導率變化分布圖像以及清晰的邊界輪廓。為了提高EIT在肺通氣監測中的成像質量，本文提出將EIT算法與深度學習算法相結合的方法。首先，引用優化因子對卡爾曼濾波算法進行修正并將吉洪諾夫（Tikhonov）正則化引入算法的狀態空間表達式，以獲得初始肺部重建圖像；其次將初始成像結果輸入生成對抗網絡模型，以重構出精確的肺部輪廓。仿真實驗結果表明，該方法生成的肺部圖像邊界清晰，對噪聲具有更強的魯棒性，基本實現了可視化的效果，可為計算機斷層掃描等影像的診斷提供參考意義。