随着科学技术的不断发展,计算机算力不断提高,微波成像技术得到了广泛的应用,如医学成像,地质勘测,卫星遥感等领域。实际上,电磁反演成像的物理过程包含电磁波的散射与逆散射,即电磁成像的前向问题与逆问题。利用传统算法求解电磁散射问题时,涉及大矩阵逆运算,会耗费巨大的计算资源。而在求解逆问题时,求解算法会遇到两大挑战:非线性与病态性,也会面临计算资源耗费大的问题,同时会影响成像质量。如何提高算法在求解电磁散射与逆散射问题时的计算效率并提高成像质量,是本论文的主要研究内容。首先,本论文针对传统算法在计算散射场时计算资源耗费巨大的问题,提出了一种基于生成对抗网络（Generative Adversarial Networks,GAN）的电磁散射快速计算方法。由于传统算法在计算前向感应电流时,涉及大矩阵逆运算,耗费资源巨大,针对此提出了一种前向电流快速学习方法（Forward Induced Current Learning Method,FICLM）,该方法的网络模型为Pix2pix-GAN,网络输入的信息为已知的对比度和入射场。通过对模型的特殊构建,该方法实现了入射天线任意角度入射情况下感应电流的预测。测试样本表明,网络模型具备较强的泛化能力,能预测出较为复杂的散射体内部感应电流。且计算区域在相同网格划分下,该方法计算得到的感应电流比传统矩量法（Method of Moments,Mo M）更精确,计算速度上相比快20多倍,且随着散射体的对比度增大,计算速度优势就越能体现。其次,本论文提出了一种基于散射场数据和复数CNN网络静态手势识别器。该网络模型与基于图像研究的实数网络不同,为复数CNN网络,且加入了注意力模块,测试表明,两者能有效提升网络识别准确率。且散射场数据相比图像数据规模更小,在占用计算机内存方面更具优势。最后,在已有基于新方程（New Integral Equation,NIE）,对比源的傅立叶基展开（Fourier Bases-Expansion,FBE）研究算法基础上,本论文针对高度非线性逆散射反演问题进行了研究,提出了一种基于物理模型的学习型网络电磁反演方法。网络为Pix2pix-GAN,并加入了Self-Attention模块。测试表明,该方法能有效解决高度非线性逆散射问题,且耗时较短,整个计算过程在1秒左右。