电磁逆散射问题是根据测量的散射场数据和一些先验信息,对探测区域的物理属性进行重构的问题。由于电磁逆散射成像具有无损特性,广泛应用于军事、遥感、无损探测等领域,但该问题本质上具有非线性与病态性。传统的迭代优化方法求解电磁逆散射问题,有着重构精度高和保证目标函数收敛的优势,但也存在着可能会陷入局部极小值,存在人工过多干预正则化函数与参数问题,反演时间长和计算代价高等问题。针对这些问题,本文提出了一种电磁逆散射与深度学习相结合的成像方法,以期望该方法具有较高抗噪性与鲁棒性、相关参数是可学习的、能够实现实时重构以及减小计算代价。首先,本文的研究场景是二维的横磁波问题。在前向模型中,根据电磁波的传播过程以及测量的物理模型,将其中的非线性积分方程进行离散化,将之转换为矩阵公式,通过有限差分法/矩量法等方法获得散射场的数据。其次,针对电磁逆散射由于存在多次散射效应使得测量的散射场和目标散射体的电性能参数之间的非线性问题,本文提出了融合物理模型驱动与深度网络结构的线性电磁逆散射方法。该算法首先是忽略电磁间的耦合作用,然后获得介电常数的初始值,虽然初始值和实际数值相差较大,但是由于初始值中已经含有目标的特征信息,再使用这个初始值进行网络优化可以获得较好的重构。但该算法只适用于弱散射体。当目标是强散射体时,目标间的相互作用就不可忽略,这使得线性病态问题转变为非线性病态问题。针对非线性病态问题,在线性方法的基础上,提出了融合物理模型驱动与深度网络结构的非线性电磁场逆散射方法。该方法首先是根据电磁逆散射的数据方程获得介电常数的初始值,之后通过网络优化与不断的更新总场,使重构的介电常数更精确。最后,针对电磁逆散射的问题,本文创新性地将电磁逆散射的物理模型与卷积神经网络方法相融合,并且将网络结构等的参数转化为可学习变量,从而减小了计算代价以及实现了实时或准实时的电磁逆散射成像。实验结果不仅表明该方法在成像时的高效性和准确性,对于噪声还有良好的鲁棒性。