电磁逆散射问题研究的是根据测量到的散射场重构成像空间内介质目标的几何信息和电性能参数的空间分布。由于其固有的非线性和病态性,且随着对比度的升高和信噪比的降低其非线性和病态性显著增强,导致了求解电磁逆散射问题成为了挑战。传统优化方法可以很容易将逆散射领域知识纳入其中,并通过最小化目标函数来解决计算数据与测量数据之间的不匹配问题,进而迭代地获得良好的重构结果。然而,由于非线性迭代本质,该方法存在如何选择合适的正则化参数、对初值较敏感、计算代价较高和实时性差等通用问题。尽管可将非线性逆散射问题线性化,但线性化的前提是目标为弱散射体,即入射场与总场之差较小。因此,本文以“问题驱动-模型融合-网络化设计”为总体思想,旨在降低计算代价并提升高对比度与低信噪比下的逆散射成像质量,提出了一种将传统算法、领域知识与深度学习相结合的方法。具体内容如下:首先,本文考虑的是二维横磁波极化下的逆散射问题,通过电磁场的前向模型和Lippmann-Schwinger方程,建立关于总场的状态方程和散射场的数据方程。由这两个基本的方程出发,将电磁逆散射问题的求解方法分为两类:非迭代类的线性方法和迭代类的非线性方法,并分析对比这两类方法在重构性能上的差异。其次,虽然深度学习技术可以为实时性和噪声鲁棒性提供解决方案,但要整合领域知识与数学实现到深度网络的输入或内部架构中并非易事。为了缩小传统目标函数方法与深度学习方法之间的差距并汲取二者的优势,本文给出了将线性和非线性反演技术与领域知识部署到神经网络框架中的一些思路。最后,受模型驱动深度学习反演方法的激励,结合物理知识和优化算法来设计所需的神经网络体系结构,进而提出了基于逆散射物理模型驱动的生成对抗网络（GAN）成像方法。此方法将逆散射物理模型和传统算法的迭代更新公式映射为生成网络中相应的可学习子模块,每个子模块级联形成深度迭代展开网络。同时,引入判决网络以确保重构结果的真实性。通过生成对抗的学习策略交替地训练这两个网络以重构介质目标的空间分布。在此基础上,引入预训练模型和感知损失函数以应对恶劣环境下高精度成像的需求。