时域有限差分算法（Finite-Difference Time-Domain,FDTD）是电磁研究中极为重要的数值算法。随着电磁研究的深入,FDTD算法的计算规模随之扩大,该算法对计算效率的需求也不断提高。FDTD算法可以通过并行计算和图形处理器（Graphics Processing Unit,GPU）等软硬件方式提高运算效率。其中有些方式采用半精度和单精度计算时效率极高,却不支持双精度计算。此外,深度学习能否应用于电磁计算、提高传统算法计算效率是值得探究的。针对上述问题,本文采用卷积神经网络（Convolutional Neural Network,CNN）通过构建FDTD-CNN模型和利用数据规律求解偏微分方程（Partial Differential Equation,PDE）,这两种方式求解了电磁问题。然后探讨了半精度和单精度模式下常规FDTD算法和FDTD-CNN模型的准确性和稳定性,以及数据集对FDTD-CNN模型的影响。主要工作如下:1.构建了适用于电磁传播计算的FDTD-CNN模型。在一维中,通过自由空间和等离子体光子晶体两个实例,验证了模型的计算可行性和泛化复用性。然后分析比较了常规FDTD算法和CNN模型在计算时所需的计算资源与时间。二维中,将FDTD-CNN模型与吸收边界-CNN模型进行分离,降低了训练难度、提升了训练效率。此外,吸收边界-CNN模型也可被用于常规FDTD的计算中,具有较强的灵活性。2.从数据规律的角度出发,利用CNN求解偏微分方程从而求解电磁问题。首先构建了CNN模型以学习PDE数据中的规律,然后依据模型学习到的数据规律,直接求解泊松方程,验证了CNN通过数据规律求解PDE的能力。以上两种方式证明了CNN能为电磁计算的数值建模、提高传统算法的计算效率带来新的思路,更重要的,也为长期积累的海量电磁数据的分析与再利用提供了有效手段。3.分析了浮点数精度对常规FDTD算法的影响,验证了单精度模式下FDTD算法的结果是可信的,同时证明了GPU等不支持双精度计算的加速手段可以应用于FDTD算法。半精度的计算精度相对较差,不适用于FDTD算法。其次,通过比较分析了常规FDTD和CNN模型的结果,验证了CNN模型的计算是精确可靠的。最后,通过减少数据和含错误数据两种情况下的对比实验,分析了数据集对CNN模型精度的影响。