摘要：电阻率成像技术是一种重要的地球物理勘探方法,广泛应用于水文、环境、考古、矿产资源和油气勘探等领域,取得了较大的经济效益。近年来随着理论研究的深入和工程应用的发展,人们对勘探规模和资料解释精度的要求也在不断提高,传统的线性反演方法面临着新的挑战。本文主要针对神经网络非线性反演在电阻率成像中的应用进行理论研究,分析了BP神经网络和RBF神经网络在电阻率成像反演中的优化算法、建模方法和反演流程。BP神经网络反演存在收敛缓慢和易陷入局部极小的缺点,本文通过将其与具有全局搜索优势的粒子群优化算法和微分进化算法相结合,从两个不同的角度对BP神经网络的反演过程进行优化,改善了反演结果的质量。首先,通过将粒子群优化算法与BP神经网络相结合,提出了一种基于混沌振荡的粒子群优化算法,使用混沌振荡曲线来自适应调整惯性权重以提高PSO算法的全局寻优能力,并使用其训练和优化BP神经网络的权值和阈值。该方法不依赖初始模型,提高了神经网络反演的稳定性和准确性。然后,通过将微分进化算法与BP神经网络相结合,提出了一种基于混沌约束的DE-BP算法。该算法应用混沌Tent映射来自动设置收缩因子F和交叉因子CR,并通过使用约束因子来保证算法的快速收敛。该算法在数值计算和模型仿真的结果中表现出较快的收敛性和较高的反演精度。虽然智能算法与BP神经网络结合完善了神经网络反演的理论和方法。但是BP神经网络学习算法内在的缺陷决定了对BP神经网络参数的优化只能够改善BP神经网络的学习性能,而不能解决BP神经网络的局部极值问题。RBF神经网络与BP神经网络相比具有结构简单、学习速度快、不易陷入局部极小等优点,适合作为电阻率成像的反演算法。通过将RBF神经网络与统计学中的汉南-奎因信息准则相结合,提出了一种能够自适应确定神经网络隐含层结构的HQOLS算法。通过与RBF神经网络中的分簇算法、梯度算法、正交最小二乘算法相比较,验证了HQOLS算法和RBF神经网络进行电阻率成像反演的可行性。HQOLS算法虽然能够自适应的确定RBF神经网络的隐层结构,解决神经网络的隐层构造问题,但该结构并不是一种最优的RBF神经网络。针对RBF神经网络和信息准则在电阻率成像非线性反演中的应用进行更加深入的研究分析,提出了一种二阶段学习的RBF神经网络训练框架。在该框架中,信息准则用来自适应获取神经网络隐含层结构,全局搜索算法用来优化隐含层参数,并应用赤池信息准则和粒子群优化算法对该框架进行了实现。本文的研究结论表明BP神经网络和RBF神经网络在电阻率成像反演中具有各自的优势,对今后神经网络在电法反演中的深入研究提供了可借鉴的经验。