电磁成像与反演算法是电磁探测的重要研究方向,可以用来重构地下结构的物理信息,探测介质的物理属性,在实际工程中具有重要的应用价值。长期以来,电磁成像和反演算法因为普遍存在计算时间长、内存消耗大等问题,应用于实际工程上比较困难。所以,研究精简、快速的成像与反演算法很重要。针对以上,本篇论文研究内容有两部分:1、背景的介电常数反演和频域逆时偏移成像联合算法;2、一种基于深度学习的三维电磁反演算法。逆时偏移成像因其成像分辨率高、成像条件简单等优点被广泛研究。但是,时域逆时偏移成像算法需要预先知道反演区域的电磁参数,从而确定电磁波传播的速度模型,在计算反演区域的波场分布一般借助时域有限元方法,消耗时间长。所以,本篇论文将首先提出一种结合背景相对介电常数反演和频域逆时偏移成像的联合算法,先反演背景的介电常数,然后进行成像。为了验证反演和成像算法的可靠性、有效性,本篇论文将借助仿真数据和实验数据对算法分别进行验证。传统的三维电磁反演首先借助接收器接收数据,然后通过接收数据求解代价函数,得到反演区域的电磁参数分布。该过程是一个典型的逆散射问题,一般都可以转换为非线性或者线性问题来求解。但是,求解过程代价一般非常大,同时求解的结果也可能存在多解,从而导致最终的反演结果与实际模型相差很大。所以,本篇论文将提出一种基于深度学习的三维电磁反演算法。该算法首先通过波恩近似成像得到初步的图像,然后通过蒙特卡洛方法进行背景去噪声,最后借助卷积神经网络进行修复,准确还原电磁分布。为了验证我们算法的可靠性、优越性,我们将设计不同的测试模型,借助该算法得到反演结果。同时,将反演结果与变分波恩迭代法的反演结果进行对比。