针对矿井电阻率反演中传统方法依赖初始模型、边界模糊及现有深度学习反演存在伪影干扰的问题，提出物理约束的U-Net反演方法。该方法融合电性敏感特性与深度聚焦机制，基于U-Net网络的多尺度特征融合架构构建加权交叉熵损失函数，通过编码器-解码器跳跃连接实现异常体与背景场的电性差异强化。基于三类典型异常体定义电阻率分布的参数化空间，采用有限元法对6000组模型进行正演计算，通过偶极-偶极装置获取视电阻率剖面数据，构建地质模型-电性响应匹配数据集用于监督学习训练。实验表明：该方法 Dice系数0.950±0.018，单次反演耗时由传统最小二乘反演方法的65.2s降至1s，效率提升98.5%。通过物理先验与深度学习的协同优化，为煤矿水害隐蔽致灾体精准探测提供解决方案。
