电磁反演问题是利用测量得到散射场和电磁场前向传播模型,反演目标介质几何形状或电性能参数分布的一类反问题,广泛应用于无损探测、微波遥感、生物医学成像等领域。电磁反演问题是一个病态非线性的反问题。针对当前非线性反演算法存在计算代价大,计算时间长等应用瓶颈,如何在保证反演结果准确性的前提下,降低算法存储计算代价,提高算法收敛速率,一直是反演算法研究的热点。本文主要研究电磁反演算法加速与并行化。针对基于阈值Landweber迭代的不精确牛顿反演算法(IN-LW)存储和计算代价巨大的问题,本文从反演算法过程加速和新的计算硬件——GPU并行框架两方面入手,结合Fréchet导数矩阵大规模稀疏特点,实现反演算法的加速和并行化。首先,基于电磁波前向传播模型,泛化得到反演问题的非线性关系模型。采用不精确牛顿方法,将问题转换为内部迭代线性方程求解及外部迭代解的更新过程,阐述基于阈值Landweber迭代的不精确牛顿反演算法的实现流程,并分析其存储与计算代价。其次,从Fréchet导数矩阵推导过程入手,阐述Fréchet导数矩阵大规模稀疏的特点,提出对Fréchet导数矩阵进行稀疏压缩存储,以降低算法存储代价。同时结合LSQR算法对于稀疏线性系统稳定收敛快的特点,且算法过程主要涉及矩阵向量乘运算,避免Landweber迭代中奇异值分解和伴随矩阵求解等运算,从而提高内部线性方程的求解效率。综合以上两点,提出IN-LSQR反演算法实现反演加速成像。最后,利用GPU设备多线程并行计算能力,首先针对近似的线性反演问题,分析FISTA算法的实现流程,并行化实现FISTA算法中矩阵向量乘运算及软阈值操作,对比验证FISTA-GPU算法的加速效果。然后针对非线性反演问题,采用BiCG与BiCGSTAB算法求解内部稀疏线性方程,并针对算法中稀疏矩阵向量乘这一主要运算,提出并行化方案,对比验证IN-BiCG-GPU与IN-BiCGSTABGPU算法的加速效果。