为了解决传统神经网络技术过于依赖数据资源, 同时也无法运用数据中暗含的物理先验知识等局限性问题, 采用物理信息神经网络(PINN)、基于超声传播的波动方程, 利用数值计算实验的数据训练出了正向激光超声单模态(表面波)波场的PINN模型; 建立了反向求解激光超声单模态波场参数的PINN模型, 并对激光超声波场进行了正向成像和反向参数推演。结果表明, 当探测点不包含激发点时, 正向PINN在数据量仅为10%的情况下可得到高精度的波场图像, 相比于原波场下降了一个数量级; 即使在包含激发点时, 反向PINN利用25%的波场数据不仅可以重建波场, 且不需要人为地分析就可以求解控制方程的参数, 与原波场数据的参数误差均在5%以内; 与传统神经网络相比, PINN通过加入符合激光超声特性的控制方程, 降低了神经网络对于训练数据稀疏性的依赖; 与传统的激光超声波场建模相比, PINN构建的物理模型更简单, 可自动求得控制方程的参数, 有着更好的鲁棒性。该研究可为波场重建和参数反演激光超声无损检测技术提供参考, 在激光超声领域有着广泛的应用前景。