与传统的重力测量相比，重力梯度张量测量的是重力位的二次导数，因此它对于反映地下密度异常体具有更高的灵敏度，能够更加直接准确的反映场源体的边界，对圈定矿藏范围或地质构造形态方面具有重要意义。重力梯度张量测量在国外已开展了十余年，并取得了一定的成果，但这项测量技术及相关数据解释技术在我国的研究仍然较少。　　 重力张量的异常形态较为复杂，产生的异常与坐标系的选择有关，如果对单个张量分量进行数据反演解释，容易丢失有用信息，造成信号的错误解释。而全张量反演是用重力梯度张量的全部五个独立分量进行联合反演解释，包含更多的场源信息。相较单个重力张量分量反演和传统意义上的布格重力异常反演，其反演结果具有更高的分辨率，能够更好的识别场源特征。　　 在众多非线性反演算法中，BP神经网络算法是应用最为成熟、广泛的算法之一，在各种物探数据反演中都有成功的应用。在前人研究的基础上，本文将拟BP神经网络算法和弹性BP学习算法相结合，并将其用于重力梯度张量单分量及全张量的反演。　　 本文介绍了拟BP神经网络反演算法的流程及其与传统方法相比的优势，并着重分析了全张量反演的的特点。本文首先通过对不同位场数据的反演，对比总结了重力梯度全张量反演相较单分量及重力异常反演的优势；然后通过更详尽的对比分析，讨论了数据质量、场源特征及初始模型对全张量反演结果的影响。力求对重力梯度张量的拟BP神经网络反演效果做出全面的分析，为重力梯度张量的实际应用奠定坚实基础。