逆散射问题致力于根据从探测区域内测量的散射场数据反演介质目标的电性能参数空间分布。由于逆散射问题内在固有的非线性和病态性,通常需要采用带有正则化的非线性迭代优化方法求解该问题。然而,这些方法在计算过程中计算代价高并且在成像过程中不能实时重构,还需要根据经验人工设计正则化函数和选择正则化参数,使得算法的适用性受到人为因素的影响。鉴于此,本文引入深度学习的技术,分别从基于深度学习辅助的反演方案、基于物理辅助的深度学习反演方案和基于模型驱动的深度学习反演方案入手解决上述问题。首先,探究了两种基于深度学习辅助的反演方案,其通用思想都是采用传统的迭代或非迭代方法,如反向传播法和VBIM,从散射场数据中重构对比度初值的空间分布,实现数据域到图像域,再利用端到端深度学习网络学习图像到图像的映射,最终重构更为精确的对比度空间分布。其次,探究了基于物理辅助的深度学习反演方案。该方案在基于BIM深度学习辅助的成像方案的最小均方误差损失函数的基础上,引入了更具物理意义的场联合约束下的损失函数,定义了新的损失函数来得到损失函数的下降方向,从而更新训练模型。最后,探究了两种基于模型驱动的深度学习反演方案。受Neumann网络思想的启发,提出一种基于BIM的Neumann展开网络（BN-Net）,用于将求解矩阵逆转化为Neumann级数展开。该算法的优点是利用神经网络学习正则化参数,从而避免人为选择参数的窘境,提高了反演成像质量;此外,还提出了一种基于VBIM的深度迭代展开网络（IV-Net）,用于求解非线性逆散射问题,以提高重建质量。将VBIM的每次迭代算法展开为一个分层的深层神经网络。每次迭代映射到神经网络的每一层,每个子问题被视为一个模块。因此,将多层连接起来,形成一个深层网络结构。为了评估这两种反演方案的性能,进行了几个代表性的测试,数值实验结果表明,这两种反演方案在反演速度、精度和噪声鲁棒性等方面,都明显优于传统方法的重构结果。