本发明属于核反应堆堆芯计算技术领域，具体涉及一种基于深度学习驱动的反应堆堆芯功率重构方法，步骤如下：将神经网络函数代入中子扩散方程的数理方程，构建控制方程形成的损失函数、边界条件形成的损失函数，根据数据样本点构建数据表示的损失函数；对控制方程形成的损失函数、边界条件形成的损失函数、数据表示的损失函数分别赋值权重并进行加合，得到统一的机器学习损失函数；通过深度学习技术，迭代优化神经网络函数中的神经网络连接权重和神经网络偏置项，逐步减小统一的机器学习损失函数的值到精度范围内；同时神经网络函数输出逼近了系统定义域通量密度的数值解，得到逆向求解中子扩散方程的近似数值解，实现反应堆堆芯功率重构。本发明方法基于深度学习方法和数据驱动融合进行中子扩散数理方程逆向求解，可通过调整边界条件形成的约束损失函数权重实现一定的边界误差容错功能，同时对数据样本数量及空间分布具有较强包容性，可实现高精度、高效率、高鲁棒性的反应堆功率重构计算。