Los métodos convencionales para resolver problemas inversos de ondas luchan con la mal-posedad, demandas computacionales significativas y errores de discretización. En este estudio, proponemos un marco innovador para resolver problemas inversos en ecuaciones de onda mediante el uso de técnicas de aprendizaje profundo con funciones de base radial (RBF) espacio-temporales. El método propuesto capitaliza la fuerza de reconocimiento de patrones de las redes neuronales profundas (DNN) y la precisión de las RBF espacio-temporales en capturar dinámicas espacio-temporales. Al utilizar condiciones iniciales, datos de límites y distancias radiales para construir RBF espacio-temporales, este enfoque evita la necesidad de discretización de la ecuación de onda. Notablemente, el modelo mantiene la precisión incluso con datos de límites incompletos o ruidosos, ilustrando su robustez y ofreciendo avances significativos sobre técnicas tradicionales en la resolución de ecuaciones de onda.