井中雷达是一种特殊的探地雷达,主要针对较深地层的探测而设计的,同样具有高效、无损的特点。在测井时发射瞬时脉冲,通过捕获反射的回波对地下进行探测,如今雷达测井数据的处理主要是对地下目标的初步判断,比如目标体的位置、裂缝的走势、异常体的特性等。随着资源探测、异常检测需求的提升,对于介电特性精确的反演也成了迫切需要。传统的反演是利用数值方法求解麦克斯韦方程实现的,但仍存在计算量大、反演结果精度低、严重依靠初始模型等一些难题。随着深度学习的快速发展,为解决反演问题提供了新的思路,反演可以看作二维B扫数据到二维介电常数数据的转换,与深度学习中的图像翻译问题一致。将训练好的深度学习网络应用于反演时非常快速,本文主要对应用于反演的深度学习方法展开研究。首先讲述了瞬时脉冲体制测井雷达以及三种测井数据模式,在此之上说明了B扫数据的特点和预处理方法,然后讲解了深度学习中一些基础的网络结构和方法,再针对生成对抗网络进行详细的阐述,为利用深度学习解决反演问题提供了基础参考。编解码网络与生成对抗网络都是解决图像翻译问题较为常用的深度学习方法,在仿真数据上,利用MSE和MAE两种损失函数对编解码网络进行训练。生成对抗网络分为生成器和判别器两部分,生成器与编解码网络结构相同,判别器参考分类器,为了生成对抗网络的稳定训练,使用带正则化的Wasserstein距离作为损失函数。对比结果表明,生成对抗网络在少量训练数据的情况下,比编解码网络在反演问题上有更好的泛化能力,泛化误差降低3%。由于井中雷达做大量实验成本较高,用井中雷达水下实验验证方法,反演结果表明生成对抗网络可以有效的反演出目标物的位置、形状和介电特性。以分类器为判别器的生成对抗网络在细节的反演上结果较差,PatchGAN是一种高效的判别器结构,更注重细节。根据B扫数据的特点对输入模式改进,在大背景小目标的情景下对PatchGAN的输出进行了改进。通过探地雷达实验对改进的方法进行验证,相比于PatchGAN,改进的结构虽然对背景的反演会出现较为明显的条纹状噪声,但对于沙子背景下的水、空气和湿沙子的反演性能分别提高了23%,36%和12%,改进的结果对于小目标有更好的反演效果。本文完成了生成对抗网络应用于雷达测井介电常数反演的初步探索,同时提出了一种针对较小目标情况下的改进PatchGAN结构,可以快速的获得更高质量的介电常数数据。