植被作为整个生态系统中的重要一环,对于地球环境治理、气候变化和人类社会活动等方面影响深远。对于植被组件（如主干或支干）的电磁散射研究,常用有限长圆柱体进行建模,并在物理上提供关于柱体散射特性的解析解。然而,当电磁环境或植被参数分布愈发复杂时,传统物理方案如基于虚拟分割的T矩阵方法面临计算效率问题,此时引入一种更加高效的散射模型便显得愈发重要。深度学习方法借助神经网络的表达能力在学习非线性关系方面表现优异,效率极高。同时,T矩阵及相关算法在求解圆柱体电磁散射特性时只涉及单次计算,无需针对每种入射情况重复整个计算过程,在柱体朝向随机和入射场景复杂时具有独特优势,物理机理清晰且高效,目前尚无文献将此物理知识和深度学习结合进行圆柱体散射特性研究。本文借助神经网络对散射模型的T矩阵部分展开学习,相比先前纯粹物理或深度学习方案进行扩展,数值结果提供了高精度的散射幅度函数幅值和相位,同时降低了对入射和散射方向的依赖性及二者引入的数据量要求,具有较高的计算效率和物理解释性。一种高效的、包含物理知识的散射幅度函数计算方案不仅表征了电磁波在植被中的传播行为,同时也具有非常丰富的应用场景。例如,对于观测到的散射回波信号可以通过反演模型,对介电常数、散射体尺寸等自身参数进行重构。在该问题中反演数据集的快速生成和多样性尤为重要。另一方面,在极化分解的体散射研究中,往往涉及多参数空间下对散射特性的多重计算,对单次前向计算的效率同样提出更高的要求。本文基于训练后的高效散射模型,对电磁反演问题和极化体散射课题进行探讨。在反演问题中,通过正散射模型生成反演网络所需的数据集,建立逆散射模型,数值结果表明该反演模型对参数具有较高的重构精度,同时在引入噪声表现出良好的抗噪性能。同时,借助正散射模型对散射幅度函数的快速计算,本文进一步探究了极化体散射分析中协方差矩阵在柱体取向、直径和高度等多个参数分布下的输出,为生成该情形下的数据集和后续的反演算法提供了可能。