传统的非线性电磁反演方法在处理电磁反演问题时会出现多解性、局部极值等问题,且这些方法往往非常依赖于足够的先验信息来建立合适的初始模型。机器学习相关算法为电磁反演提供了一种可能性。它不需要去将反演问题线性化,而是将整个物理过程转化为一个“黑匣子”来处理,直接求得反演结果,是一种有价值的电磁反演方法。本文首先采用基于卷积神经网络的电磁反演算法来对电磁反演问题进行了研究,将电磁反演特征(位置参数、相对介电常数)图像化后,形成像素矩阵式的样本,再将这些样本输入到全卷积神经网络中进行训练,针对不同形状的散射体进行了仿真分析。结果表明,基于卷积神经网络的电磁反演算法是一种有效的、高泛化性的非线性电磁反演算法。然后本文首次将K近邻算法理论引入了电磁反演领域并分析了其优劣之处,通过仿真确定了K近邻算法的三要素(距离度量、k值、平均方式),给出了仿真结果。在此基础上,本文还提出了一种疏密交叉网格建模的方法应用于K近邻电磁反演,并给出了其算法思路及程序实现,然后验证了其在不同样本集上的反演效果,分析对比了改进前后的K近邻电磁反演算法的反演精确度及时间开销。仿真结果表明,在使用相对较少训练样本集和计算资源的情况下,在保证足够的预测精确度情况下,该方法在时间上有着巨大的提升。最后,本文还分别从时间开销、反演精确度等方面对比分析了两种电磁反演算法的优劣之处。结果表明:基于卷积神经网络的电磁反演算法的泛化性更强,更适合处理复杂反演问题;K近邻电磁反演算法有着非常高的反演精确度,在处理一些简单的、样本空间较小的电磁反演问题时,速度更快、精确度更高。