电磁层析成像(Electromagnetic tomography,简称EMT)技术依靠其非接触、用途广泛、高可靠性等优势,在采矿冶金、无损探伤、医学成像等领域均有应用。其广泛的工业需求对其成像质量有了更高的要求。在EMT逆问题的研究中,由于其先验信息有限,且具有病态性与不适定性等问题。进一步提高图像重建精度和速度为该领域的热点研究问题。近年来,人工智能类算法在语音、图像、翻译等多领域的成功应用引导我们探索利用其解决传统EMT问题的可行性,试图用其强大的学习能力和有代表性的样本,自主学习成像特征,达到提高成像质量与速度的目的。本文主要工作内容如下:(1)受机器学习数据预处理中数据降维思想的启发,设计了降维SVD算法。文中通过仿真与实验两种方式,结合三种传统算法的成像对比实验,分析了降维SVD算法的优势和劣势。(2)基于深度学习理论,设计了两种EMT深度学习图像重建算法:SSAE+RBF和Optimized FC。并对网络细节做了详细描述,从理论上阐述了两种网络算法用于解决成像问题的合理性。(3)设计并仿真了两种类型30000个样本,用于网络训练过程中成像特征的学习和网络参数学习;设计了一种损失函数,作为网络训练优化目标,并通过理论推导证明了该损失函数的合理性。(4)本文设计的两种深度学习图像重建算法,通过在2000个测试样本上与传统算法的批量成像对比实验,展示了本文网络算法的成像优势;通过在测试样本集上混入不同噪声等级噪声的成像对比实验,展示了本文网络算法的抗干扰能力;通过与传统算法的成像时间对比实验,验证本文网络图像重建算法的速度优势。文中设计的两种深度学习图像重建算法,在与训练集特征近似的、未学过的样本测试集上取得了大幅度优于传统算法的成像效果。本文初步证实了深度学习理论应用于传统EMT领域,以提高成像精度和成像速度的可行性。在网络成像算法设计、样本设计和损失函数设计等方面,对EMT深度学习成像算法的进一步研究有一定借鉴意义。