进入新世纪以来,随着资源开发难度的逐渐提升以及社会经济发展对能源需求的不断增长,业界对新勘探技术的要求越来越高。在地球物理勘探的众多技术需求中,反演技术一直是业界关注的重点,如何开发有效的反演方法,提高反演的效率和精度,准确地获得地下构造的分布情况,具有十分重要意义。目前,反演方法可以分为确定性反演和非确定性反演即概率反演两种。其中,确定性方法的最终反演结果通常是单一解,即最优化结果,该结果难以体现不确定性的信息,而且容易陷入局部极小。相比之下,概率反演的结果则是一个后验概率分布,分布中包含大量反演参数的解。概率反演可以得到反演参数的不确定性信息,体现反演参数的统计学属性。并且,概率反演的方法可以有效地解决局部极小的问题,寻找全局最优解。然而概率反演的方法也存在其固有问题,即计算量远大于确定性反演,因为概率反演需要大量的样本进行采样,收敛速度较慢,全波形数据的使用又进一步增加了计算量,这就使全波形数据的概率反演更加难以实现。为了在地球物理概率反演的领域获得新的突破,引入新技术是十分必要的选择。在近些年来的新技术中,深度学习的理论方法无疑取得了迅猛的发展,在各个领域都得到了一定程度的应用,甚至取得突破。深度学习的方法需要大量数据去训练神经网络,而概率反演的方法本身就包含大量的样本,可以直接为神经网络提供训练素材。同时,训练好的神经网络可以极大提升映射的速度,使更复杂的概率反演成为可能。本文使用基于马尔科夫链蒙特卡洛的方法（Markov chain Monte Carlo,MCMC）来反演探地雷达数据,主要通过一种拓展的Metropolis算法来实现。现实当中,大多数地球物理反演问题都是非线性、非高斯的,这就导致了先验的概率密度函数难以描述。而拓展的Metropolis算法避免求解先验概率密度函数的显式表达式,可以直接通过连续Gibbs采样作为黑箱算法产生先验信息的样本,减小反演难度,使非线性反演成为可能。为解决概率反演计算量大的问题,本文将基于MCMC方法的概率反演与卷积神经网络相结合。在反演过程中,使用顺序Gibbs采样产生符合先验要求的模型样本,避免求解先验概率密度函数的数学公式。求解先验样本模型似然函数的过程包含正演模拟,用训练后的神经网络代替原本的正演映射,极大提高了运算效率。最后通过拓展的Metropolis算法比较各样本模型的似然函数,从而得到后验概率分布。由于神经网络是正演物理公式的近似,从而产生正演的模型误差。为解决这个问题,本文利用概率反演的优势,通过统计学的方法对正演产生的模型误差进行分析解释。将模型误差引入反演的似然函数中,从而减小模型误差对反演结果的影响,得到更为准确的反演结果。对于时移反演面临计算量增加和非目标区域影响目标区域精度的问题,本文提出了一个基于MCMC方法的时移反演通用框架,该框架将扩展Metropolis算法与双差分策略相结合。在双差分策略的第二次反演时,顺序Gibbs采样器实现了只对目标区域的局部采样,从而在减小计算量的同时,提高目标区域的反演精度。本文深入研究了MCMC反演理论,包括基本原理和算法实现,并使用深度学习网络提升MCMC反演的计算效率,成功应用于探地雷达的走时数据和全波形数据,为实现概率反演技术走向实用化提供有效的技术保障。本论文的研究成果将对促进地球物理数据精细反演和解释发挥积极作用。