逆散射在众多领域有着广泛的应用,基于深度学习的逆散射算法更是成为研究的热点。但现有的成像方法存在复值数据利用不充分,算法模型抗噪声不高等问题。本文从两方面出发研究了基于深度学习的逆散射成像方法。一方面,从改善网络结构的角度入手,提出了基于复数卷积网络模型的成像算法和基于UnetPlus模型的成像算法。另一方面,从提高训练集质量以及结合传统逆散射方法的角度入手,提出了散射电场数据集和伪谱数据集,主要内容如下:首先,概述了基于迭代和非迭代的传统逆散射成像方法及其利弊,然后介绍了深度学习在逆散射领域的取得最新进展,并阐明了本文的研究意义。其次,从逆散射成像原理的角度出发介绍了波恩近似法、反向传播法、波恩迭代法、对比源法和子空间优化法五种典型的逆散射成像方法,从深度学习网络结构模型的角度出发,介绍了卷积神经网络的计算原理及其引申得到的卷积神经网络、全卷积神经网络等卷积网络以及三种已有的基于U型网络模型的逆散射成像方法。为解决实数U型网络模型中必须抛弃实部或者虚部从而导致信息丢失的问题,提出了基于复值U型网络模型的逆散射成像方法。复值U型网络的核心在于采用实部和实部、实部和虚部、虚部和实部、虚部和虚部计算代替实数卷积计算,除此之外,可以添加复值归一化、复值初始化和节点失活等函数层提高成像质量。为进一步提升网络性能,减少噪声导致成像效果不理想的问题,提出了基于迭代卷积U型网络模型的逆散射成像方法。采用嵌套卷积结构代替连接层结构,由于U型网络编码和解码的数据特征存在较大的偏差,嵌套卷积结构通过多重卷积和激活函数的修正,不断拟合数据之间的差异,减少编码器和解码器特征映射的语义间隙。然后,从电磁算法和深度学习相结合的角度出发,提出了高质量的散射电场数据集和伪谱数据集。基于散射电场数据集的复值U型网络模型解决了成像伪影问题,并且提升了成像效果,尤其适用于多散射体介质的情况下。基于伪谱数据集的迭代卷积U型网络模型将相对误差由14.234下降到5.021,能良好的恢复散射介质的轮廓并细化不同散射介质之间的差异,具备了较强的抗噪性。最后,总结了全文的内容,并从五个方面给出了下一步的工作展望。