在生物组织电阻抗成像(EIT)技术中，介质电特性分布具有不确定性，因而研究概率框架下的重建方法具有重要意义．针对EIT中电阻率的不确定性反演及正问题调用过程中计算负荷庞大的问题，提出了基于替代模型和贝叶斯推理的参数反演方法．首先，针对4层同心圆头模型，采用拉丁超立方抽样方法进行训练，建立了EIT正问题计算的Kriging模型、BP神经网络模型和径向基函数(RBF)神经网络模型，并且甄别出精度最高的RBF神经网络替代模型．结果表明，替代模型在保证计算精度的条件下大幅提高了计算效率．然后，基于贝叶斯推理框架下的差分进化自适应多链并行DREAM＿zs算法和在此基础上加入卡尔曼激励建议分布的DREAM＿kzs算法，对EIT中的电阻率进行反演．结果表明，两种算法均能进行有效反演，DREAM＿kzs算法有着更快的收敛速度和更高的识别精度，且灵敏度越高的参数反演效果越好，即头皮的反演效果最好，其次依次为颅骨、大脑和脑脊液．进一步，构造了基于真实CT图像的胸腔仿真模型，采用RBF模型作为正问题替代模型，利用DREAM＿zs算法和DREAM＿kzs算法对正常肺部组织和两种病变情况进行电阻率分布的图像重构．结果表明，两种方法均能有效反演，DREAM＿kzs算法的性能均优于DREAM＿zs算法，且外层单元的反演效果整体上要优于内层单元．仿真实验结果表明，基于替代模型和贝叶斯推理的方法可实现EIT电阻率的有效反演，可望为临床应用提供依据．