直流电阻率法是一种经济、高效的工程地球物理探测手段,对含水构造敏感,已被广泛应用于公路铁路交通工程的地质勘查、水利水电工程隐患检测、环境工程污染物运移成像等领域。以观测数据重建地下电阻率模型的反问题具有多解性,因此,选用有效的反演方法是保证探测效果的关键。目前,线性反演是实际探测中的主流方法。但其反演结果容易陷入局部最优,产生错误的地质解译。深度学习反演方法在近几年成为研究热点,利用其超强的数据挖掘能力,在模拟数据中取得了比线性反演更好的成像效果。然而,现有反演网络训练需要大量真实电阻率模型作标签。由于在实际探测中难以获取真实电阻率模型,因此,现有深度学习反演方法在实际数据中效果较差。无监督反演方法能够采用物理规律和数据挖掘双驱动训练网络,摆脱对真实模型的依赖,具备在实际数据中全局搜索的可行性。要在直流电阻率法中实现无监督反演,需要解决3个科学难题:①如何借鉴线性反演中使用电场传播规律的方式,构建含物理规律的无监督反演网络,从方法本质上摆脱对标签的依赖,仅需使用观测数据训练网络;②如何将其它地质或物探方法获得的先验信息输入无监督反演网络,进而对网络训练过程施加约束,以缓解反演的多解性问题,提升整体成像效果;③实际数据的获取成本高,实际数据的训练集往往难以满足网络训练所需体量,如何以少量实际数据实现无监督学习反演,进而将该方法应用于现场探测中。针对上述3个科学难题,本文采用理论分析、数值计算与现场试验等方法开展研究。在直流电阻率正反演理论的基础上,以无监督深度学习为核心,首先开展了基于电场传播规律的无监督深度学习反演方法,摆脱网络对真实电阻率模型的依赖。然后,通过参考模型引导、正则化约束、多尺度刻画等方式进一步提高了成像效果。最后,提出了适用于实际电法数据的迁移学习方法,使无监督学习反演方法能够有效应用于实际数据。最终形成了基于无监督深度学习的直流电阻率实际数据反演方法,并通过现场试验验证了本文方法的可行性和有效性。本文的主要研究工作及成果如下:（1）基于物理规律先验的电阻率无监督学习反演方法。针对现有深度学习电阻率反演方法在训练过程中对真实模型的依赖性问题,提出了以点电源正演为驱动的反演策略,针对直流电法中的两类观测数据,即图像数据（视电阻率）和非图像数据（电位）,构建了基于物理规律和数据挖掘双驱动的无监督深度学习反演网络,并使用高斯牛顿法求解含动态光滑约束的网络梯度。网络的损失函数由之前对标签模型拟合转变为对观测数据拟合,进而摆脱了对真实模型的依赖,初步实现了电阻率无监督深度学习反演。（2）电阻率无监督学习反演梯度优化与并行加速方法。本文针对网络反演假异常多、低敏感区域目标难以成像等问题,提出了在深度学习中施加有效先验信息约束的解决思路,构建了以参考模型引导的反演损失函数,通过优化梯度提高了成像效果。在此基础上,提出了基于空间敏感度分析的网格学习率加权方法,提升了低敏感区域的反演效果。最后,从并行计算的角度推导了电极互换定律的公式,开发了基于CPU+GPU混合并行方法的正反演求解程序,进一步提高了网络训练效率。（3）基于多尺度边缘特征的深度学习边界刻画方法。本文针对反演成像边界模糊的问题,借鉴地震、电磁勘探中多尺度反演的经验,提出了一种基于卷积小波变换的电阻率多尺度反演方法。在此基础上,以多尺度反演目标函数作为损失函数修正网络梯度,有效提高了无监督学习反演的边界刻画能力。（4）面向电法实际数据的迁移学习反演方法与试验验证。本文针对无监督反演网络因缺乏大量实际样本难以有效训练的问题,提出了针对少量电法实际样本的迁移学习方法,包括三部分:①使用数据域迁移方法对少量实际数据预处理;②结合完全微调和线性探索方法对模拟数据训练好的网络迁移学习;③基于网络约束对单个实际样本多次迭代反演。在此基础上,通过两组模型试验（含水体和孤石探测试验）验证了迁移学习方法的有效性,实现了对电法实际数据的有效反演成像。基于上述研究,在青岛地铁、德厚水库和我国西北某工程开展现场试验,反演结果与钻孔或开挖揭露情况基本一致,验证了本文方法的可行性和有效性。