电磁场逆散射问题是指利用测量的散射场数据重构探测区域内介质目标的电性能参数空间分布。由于逆散射问题内在的非线性和病态性,通常采用迭代优化方法求解该问题。但是鉴于迭代的本质,这些非线性迭代优化方法通常涉及一个复杂的优化问题,成像过程耗时,难以实现高性能的实时成像。其次,为了降低逆散射问题的病态性,使用一些人工选择的正则化参数稳定优化算法,但缺乏理论指导如何选择合适且通用的正则化函数。另外,新兴的深度学习技术具有非线性拟合的优势,特别适用于反问题求解,近年来也应用于电磁场逆散射成像领域。深度学习技术虽然能够提供实时的成像方案,但是不容易集成逆散射的领域知识,而且高度的非线性和病态性将降低深度学习的泛化能力。针对上述问题,本文从电磁场前向散射问题的数值计算、非学习迭代成像方法的数值优化和基于深度学习的反演成像方案等方面展开研究,提供了有关如何将神经网络与领域知识以及传统迭代优化方法相结合的一些建议。本文的具体工作如下:首先,基于自由空间的电磁波前向散射模型和电磁场积分方程,耦合数据方程和状态方程,构造前向散射的目标函数,分别采用矩量法和频域有限差分法对测量域中散射场进行数值模拟。在仿真和实测两种场景中,深入分析对比了两种数值方法的性能。其次,设计并实现了三种基于深度学习的逆散射反演成像方案:基于数据驱动的反演成像方案、基于深度学习辅助的优化方法和基于模型驱动的深度迭代展开成像方案。本文结合物理规律和数学推导设计所需的神经网络体系架构,将逆散射的领域知识和传统的非学习成像技术逐渐嵌入到神经网络中,并给出了相应的建议。最后,在物理模型驱动的非线性深度学习方法中,受传统迭代算法和现有神经网络的启发,通过增加辅助变量,将原非线性问题转化成若干个线性问题。其每次迭代映射为新型网络结构中相对应的子模块。该成像方案能够生成快速、良好的成像结果。此外,该思想适用于任意场景的（线性和非线性）逆散射问题。