复合材料由于具有高强度、重量轻、耐腐蚀等优点被广泛用于航空航天、汽车、医疗器材等领域,作为一种人工材料其具有多介质、多层、周期性、各向异性等特征。但材料制造过程中工艺的不稳定性和使用过程中的疲劳累积会使其产生位移、裂缝、气泡和孔隙等缺陷,严重影响其性能,因此如何实现对复合材料快速准确的无损检测是关键。电磁成像方法具有穿透能力强、衰减小、极化敏感、分辨率高等特点,非常适合复合材料的检测。但复合材料中的缺陷和电磁成像系统的工作波长相比大多是亚波长的,这给电磁成像方法带来了极大挑战。针对这一挑战,本论文开展了基于全波散射效应的超分辨率电磁成像算法的研究,提出了针对复合材料目标的高效、高精度、高稳定性的成像算法。论文的主要工作可概括如下:首先,总结了电磁成像算法的研究现状,分析了不同成像算法的优缺点以及存在的潜力。同时,对近年来的研究热点——深度学习技术进行了简要介绍,分析了深度学习技术融合电磁成像的优势及可行性。其次,针对传统波恩迭代算法计算效率较低的问题,提出了一种基于波恩序列的快速正向算子,取代了传统算子的大尺寸矩阵求逆操作,将每一步横向迭代融入了纵向迭代过程中,从而提高了计算效率。数值和实验仿真成像结果表明基于快速正向算子的新算法达到了大幅减少成像时间的效果。再次,提出了两种基于差分方程和全波散射效应的新型迭代算法。在基于积分方程模型的成像算法中,格林函数是不可或缺的组成部分,但复杂背景下的格林函数的求解是极其复杂且非常耗时。针对这一问题,本文基于差分方程提出了两种新型迭代算法,无需格林函数的参与计算。同时,相比于其它同类算法,新型算法在成像精度方面不受额外限制条件的约束。另外,针对迭代过程中正则化因子的合适取值需要变化的问题,提出了一种自适应正则化因子方法,实现了在迭代过程中自动选取的目的。实验和仿真结果表明,两种新型算法达到了能灵活应对各种复杂环境的效果,同时能够获得较好地成像精度和较高的成像质量。从次,针对上述所提算法依旧需要迭代才能完成收敛的问题,为提高成像效率,提出了一种基于信号子空间的有效近似方法,在每一步迭代中给出更加精确的结果,从而实现提高收敛速度的目的。数值仿真结果表明,基于信号子空间近似的新算法达到了可以用更少的迭代步数完成收敛的效果。最后,提出了一种新型复数神经网络用于电磁成像。近年来,深度学习技术在逆散射成像领域得到了广泛的应用,但传统的神经网络输入的数据多为实数数据,这种限制使散射数据完整信息被部分丢弃,导致成像效果精度不高。针对这一问题,本文提出了一种复数神经网络用于电磁成像,可以直接将散射数据作为输入,实现了充分利用完整成像信息的目的。仿真结果表明,基于复数神经网络和深度学习的算法几乎可以实时成像,在成像质量和效率方面达成了远优于传统迭代算法的效果。