论文在前人研究的基础上,引入计算机视觉领域的相关技术与方法,实现基于卷积神经网络深度学习反演的理论推导至实际数据应用的全过程。首先以二维大地电磁法正演与传统正则化反演方法的实现为切入点,以有限单元法网格剖分实现大地电磁二维正演计算与正则化反演计算。模型试验表明,正则化二维大地电磁反演结果与真实模型物性和几何形态存在一定的差异,且受静态效应影响严重。本文以残差网络模块、多尺度池化模块,以及特征融合模块、分割分类模块相组合,设计出大地电磁反演的深度学习卷积神经网络结构,采用改进的分类问题损失函数。基于前文实现的二维大地电磁正演程序,以理论模型生成大量训练学习样本。模型试验表明,设计的神经网络适用于大地电磁数据,深度学习反演效果可以很好地恢复异常体电阻率与几何形态,且受静态效应影响较小。通过对大地电磁理论模型样本集的训练与预测,对比分析L2损失函数与Focal Loss改进交叉熵损失函数的特点,采用Focal Loss与L2范数相结合的损失函数,加快了训练进程,保证了训练的稳定性;对比分析RMSProp与Adam自适应梯度优化算法的优劣性,最终确定采用Adam与SGD相结合的组合优化策略。以非洲南部开源大地电磁数据做深度学习大地电磁反演试验,深度学习反演结果表明,反演结果存在较多的冗余构造、噪点,分析造成这种现象的主要原因是分类问题的非连续性,以及采集数据的稀疏性,导致插值后的数据使反演结果中的噪点发生不同程度的拉伸。针对以上问题,提出多尺度池化层在降维过程中改变卷积核的解决方法,从而缓解了大地电磁深度学习卷积神经网络反演时的冗杂性。最后以山东齐河低阻覆盖区实测数据为例,开展深度学习反演研究,通过与传统正则化反演结果的对比和分析,本文认为基于深度学习卷积神经网络的大地电磁反演方法可以应用于实际电磁数据,然而需要结合正则化反演结果综合对比与分析。