直流电阻率法是一种重要的电法探测技术,广泛应用于环境监测、矿产普查等领域。目前对直流电阻率法的数据处理主要有线性方法和非线性方法两种。线性方法中,最小二乘法在计算时存在信息丢失,辨识结果精度不高等问题。非线性方法中,利用神经网络进行异常体模型识别时易使辨识结果陷入局部极小。为了解决非线性方法中出现的问题,利用深度学习的TensorFlow框架,建立了基于卷积神经网络的直流电阻率法地电模型识别网络。经数据测试,识别网络结果准确度达到91%以上。主要研究内容如下:1)基于有限差分法的数值计算,建立了不同埋深,不同电阻率的异常体模型样本数据库。基于TensorFlow的框架结构,针对单一异常体模型、双目标异常体模型和十种典型异常体模型,分别建立了不同的卷积神经网络。2)针对不同异常体模型,分别建立了识别网络,在对网络进行分析比较后,选用Relu激活函数、交叉熵损失函数和Dropout技术来提高网络精度。利用三种异常体模型样本对网络训练后,精确度结果都达到96%以上,损失度都降低至0.12以内。3)为了提高识别的准确性,对高阻异常样本数据进行加噪声处理,增加样本的抗干扰性。利用测试样本对训练好的识别网络进行了测试,识别准确率均达到93%以上。4)分析了影响卷积神经网络识别精度的批量尺寸、卷积核尺寸、Dropout丢弃率和优化算法等参数,以十种典型异常体识别网络为例,测试结果表明,采用80批量尺寸、3×3卷积核尺寸、0.6 Dropout丢弃率和Adam优化算法时,网络训练效果最佳,输出精度最高。5)利用双目标异常体模型数据、十种典型异常体模型数据和室外实验数据,分别测试了识别网络的识别精度,结果显示测试准确度均达到91%以上。证明识别网络可以有效地识别直流电阻率法地电模型。