电磁层析成像主要以电磁感应原理为基础,能够对物场中电导率或者磁导率的介质敏感,且具有非接触、非侵入、成本低以及安全性好等各方面的优点,因此广泛应用于医学成像、缺陷检测、钢轨探伤以及异物检测等领域。同时,为应对各个领域对图像重建质量提出的更高的要求,亟需更多算法对传统图像重建算法进行提升或者引入全新的成像方式以提高图像重建精度。电磁层析成像逆问题求解的过程具有严重的不适定性,这是影响图像重建质量的重要因素。近些年来,随着深度学习技术以及智能优化算法的迅速发展,已经在最优化问题求解、非线性问题的映射求解等各方面得到了广泛的应用。本文在电磁层析成像领域提出智能成像的概念,将智能优化算法以及深度学习技术应用到电磁层析成像的图像重建中,以提升图像重建质量。本文的主要工作如下:（1）将人群搜索算法引入到电磁层析成像领域,通过降低灵敏度矩阵的条件数来改善灵敏度矩阵的病态程度,将优化后的灵敏度矩阵用于成像,进一步提升图像重建效果。为了验证算法效果,本文通过无噪声样本仿真实验、噪声样本仿真实验以及构建实验平台进行实验三种方式,验证了本文所提出的算法的有效性、抗干扰能力以及实际应用价值,并且相对于传统的图像重建算法图像成像质量更高,伪影更少。（2）基于有限元仿真软件及MATLAB采用自动化的方法设计并仿真出了25337个样本构成数据集,用于对所设计的两种深度学习网络中的参数进行学习。本文设计出的数据集具有一定的代表性,不仅对物场中的物体数量及半径加以区分,而且还对物场中不同物体的不同半径进行组合,形成多物体的相对位置以及相对半径大小的差异,从而大幅提升数据集的丰富程度,提升所训练网络的泛化性能。（3）结合电磁层析成像样本数据集的数据特征,基于传统的深度神经网络以及Le Net-5网络构建出O＿DNN以及O＿CNN两种网络结构进行训练。通过在训练集中出现的样本类型以及未在训练集中出现的样本类型进行成像实验,表明了本文所设计的两种网络的有效性以及具有一定的泛化性能;通过向样本数据中添加一定的噪声进行成像实验,表明了本文所设计的两种网络具有一定的抗干扰能力;通过与传统算法以及本文提出的基于人群搜索算法优化的图像重建算法进行对比成像实验,表明了本文所设计的两种网络相对传统算法及基于人群搜索算法优化的图像重建算法成像效果提升明显。图29幅,表18个,参考文献62篇。