重磁勘探的主要目标是计算场源位置与地下密度的分布,重磁全张量梯度数据由于其信息量大、精度高、受干扰小的特点可以更准确地描述地质体的分布与形态,在地球物理领域中受到了重视。文章针对传统欧拉反褶积法受背景场影响较大,而现有的全张量欧拉反褶积法只是原始方法的堆叠而没有从根本上解决背景场的问题,提出了一种梯度张量欧拉反褶积法,文章通过对比张量欧拉反褶积与传统欧拉反褶积在计算场源位置的应用效果差异以及对比不同张量组合形式下的欧拉反褶积的计算效果,探究了重磁梯度全张量数据在计算场源位置时的应用优势,文顿盐丘的实际数据显示方法具有一定的应用效果。文章针对传统DEXP场源位置成像方法存在受背景场影响较大,水平分辨率不高的问题,提出一种使用全张量组合的DEXP成像方法,这种方法良好地利用了全张量数据具有更高的水平分辨率、更大的信息量的特点,可以使得成像的结果更加收敛,计算得到地质体深度更加准确,模型试验表示方法相对基于原始异常的DEXP成像方法具有更高的水平分辨率,在文顿盐丘实际地区数据的试验结果也与现有研究结果比较一致,证明了方法具有一定适用性。不同于以往计算场源位置主要通过求解异常与场源位置之间的数学物理方程,文章提出基于重磁梯度比值的深度学习技术实现场源位置的求解,其利用深度学习技术建立重磁梯度比值水平分布与地质体埋深、构造指数之间的关系,根据训练完成后的模型求得异常对应的场源位置,且提出利用多个不同系数的梯度比值极值点联立进行深度学习,其可以更加准确、稳定地计算出地质体的信息。方法可以计算复杂情况下地质体的中心位置,同时无需常规线性方程求解时需要的筛选步骤,在计算磁异常对应的场源位置时,考虑存在剩磁的磁异常,所以采用解析信号形式的深度学习方法来进行位置反演。理论模型试验表明使用梯度比值的深度学习模型可以准确地计算出地质体的深度,利用多个不同系数的梯度比值极值点联立进行深度学习可以减弱计算结果中由噪声引起的误差,最终获得更准确的地质体的位置。使用方法对文顿盐丘实际地区数据进行测试,与前两章方法的结果也基本一致,表明基于深度学习方法的模型在实际地区数据的模型是有效的。