随着对地球物理的深入研究和计算机计算速度的显著提升,半航空瞬变电磁探测技术已经被广泛运用到地球物理勘测领域中,该方法具有效率高、成本低、范围广等特点。半航空电磁系统探测装备也在不断完善,国内已经逐渐实现了航时长、效率高、多分量和大测深系统的研发与集成。近年来搭载无人机的探测方式已经逐步演变成一种发展趋势。在获得高精度、高质量的测量数据的同时,对于正演的数值模拟和反演数据解释的要求就越高。地球物理中电磁反演已经有几十年的历史,反演的目的是通过接收点的电磁响应数据,根据之间的因果关系,反过来推算出介质模型参数的过程。近些年各类算法被广泛的应用于矿产、油气和地下水勘测等地球物理中电磁（EM）数据的解释。但是传统的反演算法普遍存在精度低,速度慢,计算量大的缺陷。为了克服上述问题,各种新的反演算法不断提出,机器学习和传统方法的结合成了研究的热点,弥补了传统反演方法的缺陷,推动着反演技术的进步。本文主要研究了监督下降学习法（SDM）在求解地面电性源瞬变航空电磁系统的应用,这是SDM方法在半航空电磁领域的首次应用,SDM是一种机器学习算法,包含两个步骤。线下训练阶段通过具有一定先验信息的训练数据集中学习一维（1-D）全波反演（FWI）的每个迭代步骤的下降方向,然后保存。在线上预测阶段,直接使用下降方向和数据残差来完成全波反演。在本文中,我们介绍了 SDM的训练过程和预测过程,并给出了公式描述。并提出了两种不同训练方法以适用不能的反演环境,这种下降学习技术为传统的梯度反演和机器学习的反演结合提供了一个新的视觉,同时也提供了一种灵活的方式将先验信息通过物理模型整合到确定性反演中,进而可以避免局部最小值问题和复杂的雅可比矩阵求导问题,实现快速收敛。数据验证结果表明,在具有先验信息的情况下,SDM方法无论在反演速度还是精确度方面度都要优于传统的梯度反演法。此外对于该方法的学习能力也得到了验证。