海洋可控源电磁探测法的观测系统通常由一个可移动的发射源和多个海底接收器组成。发射源在移动过程中向海底的接收器发射多个频率的低频电磁波信号,海底接收器则测量并记录相应电磁场分量的值,通过分析接收器处的信号随着发射源距离以及发射频率的变化即可确定海底深处的电性结构。由于传统电磁探测反演具有非唯一性,耗时长等问题。本文采用深度学习方法实现海洋可控源电磁探测反演。相较于传统反演方法,深度学习方法具有一旦训练完成即可实时得到反演结果的优点,有效的解决了传统反演耗时长的问题。本文首先从麦克斯韦频率域方程组出发,推导了海洋可控源电磁探测法的控制方程,并针对不同位置以及不同形状的异常体模型,采用有限元数值模拟方法求解其电场的实虚部生成神经网络的训练数据。其次讨论了基于卷积神经网络结构（Convolutional Neural Network,CNN）进行海洋可控源电磁反演的可行性,发现采用传统卷积网络来实现电磁反演,存在以下瓶颈问题:传统卷积网络只能解决简单的异常体模型反演问题,而在面对复杂异常体模型时却存在欠拟合的问题,得不到正确的反演结果;深度学习方法相较于传统反演方法泛化能力较弱,不论是异常体模型的改变还是观测系统的变化都会导致已训练好的网络不再适用。对于神经网络无法较好拟合复杂异常体模型的问题,我们经过分析得出神经网络在处理复杂异常体模型时存在样本不均衡问题,因此针对目标函数进行了改进,设计出动态加权的目标函数以解决网络在面对复杂异常体模型时的欠拟合问题。为了进一步提高网络的反演精度以及网络的收敛速率,本文针对CNN的网络结构进行了改进,提升了网络的特征提取能力。在实现神经网络电磁反演后,本文将聚类算法与深度学习方法相结合,降低了网络训练数据的冗余。最后,本文对神经网络的抗干扰能力进行了测试,结果表明神经网络有较好的抗干扰能力。针对深度学习方法泛化能力较弱的问题,本文尝试采用迁移学习与深度学习相结合的方法来解决。深度迁移学习方法通过将大型标签源域所学得的知识迁移到目标域网络上,提升网络在小样本数据集目标任务上的拟合能力。文章设计了三种不同的反演场景用以对比结合迁移学习前后神经网络的反演效果。结果表明,结合迁移学习的网络在三种反演场景中,拟合效果均好于未结合迁移学习的网络。