深度学习理论可以建模观测数据与对应目标属性之间的关系,大量的实际应用表明其对于各个领域具有较大的应用潜力,深度学习建模位场模型数据,从而学习到位场数据的先验信息,具备插值、滤波与计算地下地质体密度的能力。常规网格化方法如克里金法、最小曲率法,由于其对待网格化异常作出统计假设,导致方法在异常区域以及边界区域的网格化精度较低,常见的滤波方法如中值滤波方法在去除随机噪声同时也对异常进行了运算,导致方法在异常区域精度较低,基于全卷积神经网络的密度反演方法由于无法较好建模地面观测异常与地下密度模型更精细的非线性对应关系,导致其对地质体的密度反演结果精度不高。引入可以提取全局异常信息的自注意力机制神经网络,基于自注意力机制神经网络的网格化方法利用在训练集中学习到的全局先验信息,可以有效提取异常的全局特征并将其变换至待网格化点位的异常信息,方法的误差不随不随异常改变,且精度更高。提出基于卷积神经网络的噪声类型识别方法,方法可以通过提取数据局部特征从而有效识别各类不属于地质体异常的局部干扰。基于卷积神经网络的去噪自编码器通过卷积层可以过滤数据的随机噪声并提取数据的局部特征,将特征重建为重磁异常数据,相对于传统中值滤波方法精度更高,且误差不随异常分布而改变。根据密度反演具有全局的特点,提出基于自注意力机制神经网络的密度反演方法,方法通过将全局异常信息纳入计算,相对于卷积神经网络可以更加准确计算密度剖分。使用基于深度学习的数据处理方法处理内蒙古呼突格实测磁异常数据显示方法可以有效去除条带状干扰,将基于自注意力机制神经网络预训练模型的密度反演用于文顿盐丘实测重力数据,试验结果显示方法可以有效计算地质体的分布范围及密度。将较为前沿的自注意力机制神经网络引入场数据处理领域,并根据不同神经网络的特性将其应用在数据处理与密度反演中,为深度学习在位场数据领域的下一步应用提供了一定的借鉴作用,在本文基础之上,下一步的研究方向将集中于深度学习理论在位场数据处理与密度反演的可解释研究中,确定深度学习在位场数据处理领域有效性的来源,从而在大数据背景下继续提升深度学习理论在重磁领域的应用优势。