地震走时层析成像是地震学与地震勘探中的一项关键技术。然而,传统的走时层析成像技术面临诸多挑战,如模型网格化后,空间分辨率、数值误差和数据匹配等因素导致成像结果的不准确性和多震源模拟效率的局限性。为克服这些限制,本文使用物理信息神经网络(physics-informed neural networks, PINNs)求解程函方程,模拟地震走时,并实现走时层析成像。这种基于PINNs的层析成像方法被命名为PINNtomo。PINNtomo结合物理约束(程函方程)和数据约束(走时)形成损失函数,不依赖于初始模型,实现快速、精确走时场模拟和速度建模。本文探讨了乘式与加式走时T因式分解对PINNtomo精度和效率的影响。研究结果表明,随着模型尺寸的增大,与乘式分解方法相比,加式分解方法不仅显著提高了成像效率(加式PINNtomo比乘式PINNtomo从少耗时92 s提升至少耗时3 486 s),还同时提高了精度,优化了计算性能。