大地电磁测深法是地质勘探工作的重要方法,因有效易行、成本低廉,被应用于越来越多的领域。正演是大地电磁测深法的关键技术,它具有两大作用:一是为理论计算作辅助验证;二是为反演计算提供基础资料。传统正演算法的发展渐趋成熟,但对于复杂模型的计算效率不高。而深度学习可为地磁正演提供更高效的方案。深度学习是计算机行业研究的热门领域,常用于图像处理等方面,但其在大地电磁正演方面的研究较少。故而本文以拓展深度学习应用领域,推动传统大地电磁正演发展的想法为出发点,完成了基于深度学习的二维大地电磁正演研究。不同于传统数值模拟正演方法,本文通过模拟异常体的辐射效应,建立从地质模型到正演结果的映射模型来完成研究。为有效模拟异常体的辐射效应,本文选择了循环和全卷积两类神经网络。使用两种网络让试验结果的对比更具说服力,也有力地证明了基于深度学习的二维大地电磁正演研究是可行的。与基于深度学习的图像识别等研究不同的是,本文研究的异常体在地质模型中的位置与其正演结果分布无固定对应关系,解决这一难点需要建立合理的神经网络模型。本文利用循环神经网络可有效处理时序信息的特性来模拟异常体辐射,在横向上使用等间隔抽样或引入卷积模块提取特征,将二维地质模型离散化成多个一维数据后再训练;基于循环神经网络的实验结果,本文选择全卷积神经网络继续实验。通过增加池化次数和使用空洞卷积两种方式来增大感受野,从而模拟异常体的辐射效应,同时取消网络的跳跃连接,实验取得了更好的效果。本文采用了基于平均欧氏距离、直方图、PSNR三种方式对实验结果进行评估,并将结果进行反演加以证明其准确性。相较于现有研究的单异常体样本,本文设计的地质模型数据库包含多个异常体,这增强了样本集的泛化能力。对比现有深度学习正演研究,改进后的D-LinkNet将正演模拟结果的平均准确度从70%提高到了95.28%,而Conv-BiLSTM平均准确度稍差,为84.23%;参照传统有限元正演方法,D-LinkNet将正演速度提高了约827倍;Conv-Bi LSTM将正演速度提高了约1714倍。实验证明了深度学习适用于大地电磁正演研究,也为大地电磁正演的发展提供了参考。