电磁逆散射问题是由接收天线处获得的测量数据,经过前向模型数值计算,进而对介质目标进行重构的过程。由于其无触性、无破坏性等特点,因此广泛应用于探地雷达、生物医学成像、地球物理成像等领域。针对电磁反演问题本身固有的非线性和病态性,通常采用非线性迭代类算法进行重构求解,但是存在需要人为设定正则化参数及其函数、计算代价大和容易陷入局部极小值等问题。本文将以波恩迭代方法为基础的波恩迭代类通用框架与深度迭代网络相融合,设计出一套正则化函数和参数可学习的反演网络模型,从而达到电磁逆散射算法中噪声鲁棒性与成像效果和收敛速度之间的折中,实现实时重构和高精度成像。具体研究内容从以下三方面展开:首先,根据电磁波的前向传播模型和Lippmann-Schwinger方程/积分方程,构造出总场和散射场的两个基本积分方程。由两个积分方程入手,分析波恩迭代方法及其相关的扩展方法（如变分波恩迭代方法等）之间优劣与差异。在此基础上,引入基于子空间原理的波恩类传统方法的新型总场更新方法,使得新的波恩类方法具有更广的适用范围和更好的重构效果。接着,针对波恩类传统通用框架中存在的噪声鲁棒性与成像效果和算法收敛速度之间的矛盾问题,尽管可以运用平衡因子进行解决,但是对于平衡因子这一数值的设定存在一定的人为因素。与此同时,传统方法大部分采用共轭梯度下降/最小二乘等方法来求解电磁逆散射成像问题,这在一定程度上加剧了算法适用范围的缩小和算法计算代价的增加。由深度迭代网络在其他成像领域中的广泛应用可知,该方法能够通过一定样本的训练来学习物理模型框架中的一些人为设定的函数和参数的最佳值,最终实现未知目标散射体的高精度成像效果。最后,基于上述问题,本文创新性的将深度迭代网络与波恩类通用框架相融合,将迭代优化过程展开为深度迭代网络形式,同时将迭代类算法中的变量映射到网络中的可学习参数变量中,进而减少计算代价和避免人为因素所带来的算法适用局限性。通过将传统方法与网络方法进行仿真数据的对比实验可知,后者相较于前者能够更快速、更高精度对目标介质进行有效的反演。