电磁逆散射成像技术是计算电磁学中的研究重点之一,其根据发射装置和接收装置得到目标区域内入射场和散射场的信息,预测出区域内物体的位置、形状及物体的本构参数（如介电常数分布、电导率等）。其相关研究在近些年来虽然有许多进展,但要实际应用起来仍然有许多问题。本文的内容旨在改进传统电磁逆散射成像技术所遇到的一些不足之处。首先,本论文针对实际场景下散射场数据获取困难的问题,提出了三种基于无相位数据的电磁逆散射成像算法。无相位算法所需要的无相位总场数据仅需测得数据的幅值即可,不用测量相位信息,这有效降低了实际情况下数据测量的难度。其次,在使用无相位数据的基础上,本论文还引入了当下流行的深度学习,将深度学习与电磁逆散射成像技术相结合,利用深度学习强大的学习能力和泛化能力,更准确地预测了未知物体的物理性质,并且在计算速度上也得到了大幅度的提升,能够实现实时成像。本论文还提出了基于深度学习的相位恢复方案,能够将无相位数据恢复成有相位数据,然后进行散射体重建。该方案同样达到了避免测量相位的目的。最后,本论文提出了自编码器在电磁逆散射领域的应用。自编码器分编码和解码的两部分,编码能将大维度的数据压缩成小维度的数据;解码能将压缩的数据恢复成原始数据。该方案利用深度学习将无相位总场数据映射到编码器输出,然后经过解码恢复成原图像。本论文会对所提出的各种方案进行详细介绍,给出仿真数据测试和实验数据测试的结果,并进行分析。这些方案的提出让电磁逆散射成像技术在现实中得以广泛应用提供了一定的参考价值。