大地电磁测深法是一种重要地球物理勘探手段,可通过天然交变电磁场的分布规律来推断地下电导率信息,已被广泛应用于矿产油气勘查、地球动力学和工程环境等领域。反演是地球物理数据处理中的重要技术,是连接地球物理观测数据与解释的桥梁。大地电磁的反演具有非线性和不适定性,现有的方法大多以基于目标函数最优化理论的迭代反演为主,此类方法依赖初始模型的选择且容易陷入局部极小;基于概率论的反演方法,尽管在不确定性量化中具有巨大潜力,但面临着庞大计算量的挑战。针对上述问题,着眼于当前飞速发展的人工智能算法,从大地电磁反演的非线性本质出发,本文提出了基于深度学习的智能大地电磁反演算法。所做工作及结论如下:针对大地电磁数据的一维反演,本文提出了一种结合了卷积神经网络(convolutional neural network,CNN)和长短时记忆网络(long short-term memory network,LSTM)的混合模型(CNN-LSTM),用于建立电阻率模型与大地电磁响应之间的复杂非线性映射关系。CNN将用来提取电磁响应数据中的浅-深层特征,LSTM将会对来自CNN层的序列信息进行进一步处理,并以此重构一维电阻率模型。为提升网络的泛化能力和反演精度,提出了动态随机概率数据集生成法,保证了数据集的足量、完备性,并采用ADAM优化算法对网络训练过程进行优化。理论和实际数据被用来检验CNNLSTM的有效性,结果表明:(1)CNN-LSTM混合网络具有极高的预测精度和速度,能实现复杂一维电阻率模型的精准成像,并且该方法对于含噪声的数据的反演仍表现出良好的鲁棒性。(2)相比于传统的卷积神经网络、全连接深度神经网络等深度学习反演方法,CNN-LSTM混合网络模型具有更高的反演精度。(3)CNN-LSTM混合网络能实现实测数据的快速一维反演,其结果与OCCAM反演结果相符,并得到了钻孔岩芯数据的验证。针对大地电磁数据的二维反演,本文提出了基于全卷积网络(fully convolutional networks,FCN)模型的“端到端”反演方法,该方法直接建立从视电阻率和阻抗相位数据(输入)到电阻率异常体模型(输出)的映射。在数据集训练阶段,考虑到FCN的权重共享机制,仅使用单一异常体电阻率模型进行训练,不仅减少了建模时间,且降低了网络训练的难度。在反演预测阶段,训练好的网络将对未知的组合异常电阻率模型进行反演。通过几组理论实验对FCN方法的有效性进行验证,结果表明:(1)FCN反演方法具有良好的泛化能力及抗噪性能,可以实现对未知复杂组合异常体模型准确的定位和成像。(2)与单一的TE或TM模式FCN反演方法相比,TE和TM联合模式反演具有更高的精度。(3)与传统最小二乘反演法相比,FCN反演方法能更清晰地刻画异常体边界。最后,将FCN反演方法运用于实际数据测试,反演结果展示出了与OCCAM反演结果一致的特征,表明了此方法的实用性。上述研究通过深度学习技术实现了大地电磁数据的一维、二维高效高精度反演,为实时估算地下电阻率分布提供了可能。