电磁逆散射是根据测量得到的散射数据来重构未知目标的物理参数分布,获得目标的位置、轮廓、结构等信息,具有无接触探测的特点,广泛应用于车站机场安检、雷达目标识别、穿墙成像、医学成像、卫星遥感、地球物理探测等领域。电磁逆散射问题的控制方程具有非线性和不适定性的特征,传统求解方法包括线性近似算法和迭代优化算法,这两种算法都属于非学习类求解方法,其中线性近似算法求解速度较快,但是重构精度不高;迭代优化算法的重构精度比较高,但是求解速度较慢。相较于传统方法,深度学习技术的引入有望显著提高电磁逆散射的运算速度和精度,具有较高的研究价值。借助人工神经网络求解电磁逆散射问题,最直接的做法是将测量到的散射场数据作为神经网络的输入信息,网络输出探测目标的分布情况。本文第一部分研究内容就是基于卷积神经网络的完全学习重建。在此基础上,为有效利用已知的成像模型和散射定律等先验知识,本文研究结合线性近似算法和深度神经网络的混合电磁逆散射方法。首先利用衍射层析成像（Diffraction Tomography,DT）得到探测目标的近似图像,将其作为神经网络的输入,网络输出高精度的重构图像。同时,针对逆散射问题的特点,引入金字塔场景解析网络（Pyramid Scene Parsing Network,PSPnet）作为混合算法的网络模型。最后,对PSPnet的网络结构进行改进,提出基于融合注意力机制的PSPnet的电磁反演算法。仿真实验部分验证分析了算法对二维电介质目标的重构效果。