重力异常反演是地球物理勘探中的常用方法,它是通过地表观测重力异常数据推断地下介质密度分布的过程。反演问题被认为是一种逆问题,逆问题通常被认为是高维参数空间中的最小二乘优化问题,是一个欠定问题,结果容易存在多解性。常用的传统反演方法主要分为线性和非线性两大类。线性反演方法受到初始模型的限制,非线性反演方法虽然受初始模型的影响较小,但是存在计算时间较长的问题。深度神经网络是深度学习的一种方法,已经成功应用于图像分类等方面,并且被证明擅长处理欠定问题。在地球物理领域,深度神经网络被成功的应用于地震数据去噪、地震散射波场反演、航空电磁反演等领域,但是较少应用于重力勘探领域。因此本文提出了基于深度神经网络的重力异常反演方法,利用深度神经网络建立地表观测重力异常数据到地下密度模型之间的映射关系,从而实现重力异常反演。本文主要研究二维重力异常物性反演,首先通过大量正演计算获得训练数据集;然后采用该数据集训练深度神经网络（DNN）,使其建立从地表观测重力异常到地下密度模型之间的映射关系;最后将重力异常数据输入到训练好的卷积神经网络,得到对应的地下密度模型。在深度神经网络的选择上,通过分析地表观测重力异常数据与地下密度模型之间的数学关系,最终搭建了一维的Grav＿CNN结构和一维Grav＿Goog Le Net结构应用于重力异常反演。实验结果表明,两种网络均能快速、准确的反演出地下重力异常体的密度、位置和边界,具有较强的泛化能力,且网络性能稳定,具有很好的抗噪声能力,能有效解决重力异常反演问题,并且有望应用于实测重力异常反演中。基于深度神经网络的重力异常反演是一种非线性反演方法,解决了传统反演方法较强依赖先验知识假设、反演结果多解性和计算时间较长等问题。虽然网络训练过程相对耗时,但是一旦建立了通用的深度神经网络,反演过程将变得十分迅速准确。