矿井突水是煤矿生产过程最具威胁的灾害之一,而应用电磁法对煤层地质结构中的富水区进行勘探,可以提前预知富水区的位置和大小,对保障煤炭安全开采具有重要的意义,但是传统的电磁正演耗时较多,因此将神经网络引入到电磁正演中来加快正演计算速度。采用递归神经网络（RNN）进行时域电磁正演研究,将富水区位置、相对介电常数形成的样本输入到RNN中进行训练,为了验证基于RNN的时域电磁正演算法的泛化性,分别在二维、三维情况下对不同位置、不同形状大小的煤层富水区进行时域电磁正演,并分析了基于RNN的时域电磁正演算法的准确性与计算效率。为了提高基于神经网络的时域电磁正演算法的准确性与计算速度,提出了基于长短时记忆神经网络（LSTM-NN）的时域电磁正演算法。LSTM-NN通过“门”来控制信息的遗忘与存储,能很好的避免长时依赖问题;并且仅需要少量的训练样本就能训练出基于LSTM-NN的煤层富水区时域电磁正演模型,通过仿真分析,对基于LSTM-NN的煤层富水区时域电磁正演算法进行了验证。分别从电磁正演精确度、时间开销等方面对比分析了两种基于神经网络的时域电磁正演算法与传统的电磁正演算法。结果表明:基于LSTM-NN的时域电磁正演算法的泛化性更强,更适合处理复杂正演问题,精确度可以达到98%以上。计算效率相比于RNN提高了2-10倍,同时基于LSTM-NN的时域电磁正演算法能够实现使用40%-50%的训练样本训练出精确度较高的时域电磁正演模型,因此该方法不仅在计算精确度上有比较大的优势,并且在时间上其优势更加显著。为快速求解时域电磁正演提供了更高效的方法。