边界识别是位场数据处理中极为重要的技术,现有的边界识别方法属于无监督式机器运算,其识别精度与地质体的空间分布存在很大的关系,尤其是对深部复杂异常体的识别存在边界模糊的。为了进一步提高边界识别的精度,受深度学习非线性映射能力和监督式学习优点的启发,本文提出了一种融合多尺度特征和全局注意力机制的密集跳跃连接网络(PFD-Net)用于位场的边界识别。该网络结构首先以改进的U-net为骨干网络获取位场边界特征信息,然后在嵌套的标准卷积模块之间进行密集跳跃连接来缩减编码阶段到解码阶段的语义鸿沟,以及减少训练阶段梯度消失等问题随后再采用全局注意力机制模块将多尺度的高低层特征信息进行融合,以此进一步加强边界的全局及细节定位。本文基于网格点几何格架的位场异常空间域快速正演算法构建足量、多样性样本数据集,将位场异常作为输入层,地质异常体在水平面上的投影边界作为输出,再对PFD-Net进行训练与参数优化,最后进行边界识别。四组模型试验表明,PFD-Net网络能够准确识别出异常体的边界信息,且对于含噪声数据,其预测结果的质量不会降低,该网络表现出较强的泛化性。最后将本文方法应用于藏东南某铁路隧道西段的航空磁测数据,取得了良好的边界识别结果并能够获得更多的构造信息。