障碍物反演问题的数值求解方法在医疗成像、雷达探测、遥感和无损探伤等领域有广泛的应用.由于障碍物反演问题较强的不适定性,使其理论分析和数值求解较为困难.现有的数值求解方法主要包含定性方法和定量方法,定性方法计算复杂度低,反演精度稍差;定量方法反演精度高,计算复杂度也相对较高.发展一种具有低计算复杂度并能高精度地反演障碍物的数值方法成为国内外学者的主要研究内容之一.考虑障碍物反演中的形状重构问题,结合定性与定量数值求解方法的优点,本文提出一种重构障碍物形状的两步方法.首先利用声场的远场数据,通过定性的线性采样法将障碍物形状重构问题转化为形状参数反演问题,并从中提取障碍物形状参数的先验信息;其次,基于门控思想和神经网络构建具有层内“记忆”功能的定量的形状参数反演模型（SPIMNNG）,从各个远场数据分量中有选择地提取相应的远场信息,以形成含有障碍物形状信息的远场特征,再逐步将远场特征反演为障碍物的形状参数.为了不断地优化调整网络,本文利用反演的形状参数与真实值的均方误差作为误差函数,并使用基于梯度的方法通过训练过程迭代更新网络的权重.最后使用训练后的模型反演得到形状参数,即障碍物边界曲线方程的参数,进而重构出障碍物形状.本文还估计了所构建的SPIMNNG模型的计算复杂度,并证明了模型的收敛性.数值实验部分分别考虑了在全孔径中、在有限孔径中入射并观测远场数据的条件下,利用提出的方法均可较精确地重构出障碍物形状;在障碍物具有不同边界条件时也可重构出其形状,并且该方法还适用于求解远场数据含有噪声的障碍物反演问题.