重力勘探可以获取地下不均匀密度分布的综合响应,对大区域数据的精细、高效率密度成像是重力勘探中一个重要需求。然而,反演一个复杂且耗时的过程,它非常依赖于初始模型和使用的约束,并且考虑到计算量和计算时间问题,反演在进行实际数据处理时会面临计算效率的限制。高效计算设备和计算技术快速发展,密度分布实时成像仍具有未开发的潜力。若对调查区域进行整体三维建模,将面临两个主要瓶颈:一是需要大量的计算机内存来存储灵敏度矩阵。二是求解大型欠定方程组所需的计算时间是超出承受能力的。一言概之就是多数正则化方法在实现大区域数据的高效率精细化反演依然存在内存占用和计算效率问题,对于研究区域构造和深部地质问题具有局限性,不能完成大型区域的快速整体三维反演。意想不到的发现越来越多地来自对大型数据集的分析,减少内存占用和提升计算效率成为亟待解决的问题。为此,在正则化反演及半自动化成像的基础上,我们试图寻求一种轻量存储和快速密度成像的方法,可以解决大区域地下密度建模的内存和计算效率限制。正演是实现反演密度成像的基础,正向密度建模是实现地下密度反演成像的基础。通常情况下,灵敏度矩阵会预先被计算并存储,以备后续反演过程迭代使用。剖分规模越大,灵敏度矩阵越大,计算时间越长。为减少存储灵敏度矩阵所消耗的内存,本文提出了灵敏度规约存储方法,根据灵敏度矩阵的平移等效性和互换对称性建立灵敏度矩阵和空间位置的索引矩阵,并基于移动灵敏度域进行正演计算。我们还对不同规模的模型进行了试验,以分析该方法在减少内存消耗和减少计算用时等方面的优势,该方法为快速密度成像奠定了基础。对于大规模数据重力数据快速密度成像,我们提出了重力正则化聚焦偏移方法,采用正则化方式实现聚焦偏移密度反演,其中利用共轭偏移方向法求解模型参数,迭代步长的选取基于Wolfe-Powell准则。模型试验表明所提出方法大规模提升计算效率,有效的改善了现有偏移成像的发散性,具有更高的水平和纵向分辨率,且有较强的抗噪性。我们还将该方法用于山东齐河矽卡岩型铁矿区实际重力异常的解释,研究和分析了山东调查区域的铁矿资源勘探潜力,并提出了针对调查地区进一步的矿产勘探的一些建议。为了克服解释工作流程初始阶段的这些困难,我们研究了基于卷积神经网络（Convolutional Neural Networks,CNNs）的数据驱动反演在重力数据三维密度快速成像中的潜力。我们给出了用于密度实时成像的神经网络反演系统的设计方案。我们的网络以在图像分割领域效果最佳的“Unet”为基底,其中网络训练时将剖分单元边长信息和重力观测异常分别通过两个输入进入到我们设计的神经网络中,以适配不同尺寸的测区。使用均方误差损失函数（MSE）进行最优化训练,同时以测试集的正演误差作为观测量。我们比较了基于CNNs方法和正则化光滑反演在合成数据集上的定量表现,证明了基于CNNs的方法能够较为准确地重建地下密度结构,与传统的反演方法相比,有望提供更快的收敛速度。该方法被应用于陕西罗夫地区重力现场数据集,结果与正则化反演结果基本一致,量化了该方法对真实数据的实用性。