本文针对地球物理电阻率法实测数据采集中因人文噪声引起的数据突变问题，提出了一种基于卷积神经网络（CNN）的数据重构算法。鉴于电阻率法控制方程的非线性特征，传统的线性插值技术可能导致反演结果精度下降。本研究首先构建了CNN模型，并通过三维有限差分法进行电阻率法正演数值模拟，生成训练集和测试集。利用训练集对CNN模型进行训练，并基于损失函数结果优化U-Net网络参数。通过对比线性插值技术和CNN重构合成突变数据的反演结果，验证了CNN在数据重构中的有效性和优越性。研究结果表明，U-Net-CNN可以有效重构非线性直流电阻率法数据，为提高地球物理数据采集精度和反演结果的可靠性提供了新的技术途径。