隧道施工建设过程中常面临着愈加复杂的地质条件,例如充填溶洞,含水断层、富水破碎区等。隧道穿越上述不良地质体时往往导致隧道突涌水灾害的发生,严重威胁施工人员生命和财产安全。因此,亟需开展隧道掌子面前方致灾水体的探测识别研究,避免地质灾害发生、保障隧道安全建设。在各种超前勘探技术中,直流电阻率法对含水构造更为敏感,且成本较低,已广泛应用于隧道实际工程的突水灾害勘探中。传统的电阻率线性反演方法虽然具有合理的实用性,但通常存在体积效应问题,无法准确定位含水体的位置与形态。因此,深度学习等非线性方法近来流行起来,通过学习视电阻率数据到地电模型的映射,直接逼近反演函数。然而,深度学习方法在电法领域多聚焦于地表电阻率探测,尚未在隧道环境中应用,并且深度学习方法存在泛化性问题,适用范围有限,难以广泛应用于实际工程中。为缓解深度学习泛化性问题,相关研究提出在深度学习方法中引入传统方法,通过物理规律约束缓解过拟合问题,但该方法依旧受限于深度神经网络架构。然而,在目前尚未开展在传统反演方法中引入深度学习的研究。在传统反演方法中引入深度学习方法面临两个关键问题,一是传统电法反演方法通过反复迭代更新模型参数,促使模型不断逼近真实模型,而深度学习反演方法通过大规模数据集训练网络参数,使网络学习电法数据与模型之间的非线性映射关系,两种方法的工作逻辑不同,因此如何在传统反演流程中引入深度学习是本文的首要问题。二是隧道掘进机施工工法具有特殊性和复杂性,掘进机占据了隧道掌子面后方的大部分空间,电场环境极为复杂,易诱发电场发生畸变,探测数据受噪声干扰,单一属性方法反演难以刻画出隧道前方所有含水异常构造,容易造成隧道前方致灾水体的遗漏。针对上述问题,本文提出在传统反演的梯度计算过程中应用深度学习来优化梯度,增强了传统方法的非线性能力,解决了传统方法的体积效应。该方法有效的结合了传统反演方法和深度学习的优势,提出了深度学习电阻率反演梯度-梯度同域映射思路,使深度学习作用在梯度域来建立初始梯度到目标梯度的映射,避免了电阻率数据到地电模型的跨域映射难题。同时,梯度是计算得到的,在梯度域上应用深度学习可减轻训练和实际使用时数据不一致导致的泛化性问题。为实现该思路,本文建立了基于深度学习的隧道电阻率反演梯度优化网络GradOptNet。并在此基础上,形成通过了隧道电阻率和极化率联合反演方法,从而从多角度对异常体进行刻画,进一步提高了隧道反演精度和深度神经网络抗干扰能力。同时,进一步对隧道电阻率反演梯度优化网络的可解释性进行研究,提出仅对网络解码层进行微调来应对更复杂模型的迁移学习思路,提高了方法对复杂情况的适用性。最后,依托新疆某工程某标段隧道开展了现场试验,验证了本方法的有效性。本文的主要研究工作及成果如下:（1）基于深度学习的隧道电阻率反演梯度优化网络。针对传统电阻率反演精度不高、深度学习电阻率反演数据-模型跨域映射方法等问题及不足,提出了深度学习电阻率反演梯度-梯度同域映射思路,构建了以三维U-Net作为骨干网络隧道电阻率反演梯度优化网络—GradOptNet,以此建立了初始梯度到目标梯度的映射,并通过优化后的梯度与初始均一地电模型相加得到了优化后的反演结果。（2）基于梯度优化深度学习的隧道电阻率/极化率联合反演梯度优化方法。针对隧道探测环境噪声干扰强和深度神经网络易过拟合问题,在隧道电阻率反演梯度优化网络中引入极化率,提出了基于交叉梯度理论的共线损失函数,实现了隧道电阻率/极化率联合反演,达到了多任务学习。从本质上压制多解性和提高方法鲁棒性,最终实现了复杂环境下的含水体较准确定位与体积形态刻画。（3）梯度优化网络的可解释性研究与迁移学习。针对梯度优化网络应用到复杂模型时的挑战,采用了基于参数微调的迁移学习思路,并通过研究分析梯度优化网络的可解释性和机理,确定了仅更新编码器的迁移学习方法,大幅减少了迁移学习所需的数据,提高了方法对复杂模型的适用性。在此基础上,依托新疆某工程隧道工程,对本文提出的隧道电阻率/极化率联合反演梯度优化方法开展了现场试验与验证。试验结果表明,本文方法的反演成像结果与现场实际的开挖情况较为一致,验证了本方法的可行性和实用性。