光学超表面是超构材料的二维表现形式,研究者可通过改变超表面单元的大小、形状、材料等方法,来达到在亚波长的范围内对电磁波进行全方面调控的目的,为新型光学元器件的设计开辟一条新的道路。本文基于超表面的结构特性和Fano共振形成机理的研究,设计出可激发Fano共振的超表面结构。利用时域有限差分法（Finite difference time domainmethod,FDTD）计算超表面结构的光学性能,并分析超表面在不同材料和结构参数下Fano共振的性能差异。接着利用优化算法对超表面进行参数优化,最后利用深度神经网络实现超表面光谱响应预测,本文的主要研究内容包括:首先,提出了一种二聚体超表面结构,利用时域有限差分法（FDTD）研究了在相同结构参数下,不同二聚体材料超表面结构的传输特性,透射光谱中均出现了Fano共振峰,基于多极子理论分析了每个Fano共振的形成机理,并对比分析每种材料类型的超表面结构光谱特性和传感特性。接着分析了超表面结构参数对Fano共振光谱的影响,为下一章的光谱性能优化提供理论基础。其次,基于超表面的结构参数对Fano共振性能具有较大影响。利用BP-PSO算法对超表面结构进行参数优化,以Fano共振的调制深度ΔT和品质因子Q两个光谱性能指标为优化目标,选取3个对光谱影响较大的结构参数,利用BP神经网络建立起结构参数与性能指标之间的数学关系,再利用粒子群算法（Particle swarm optimization,PSO）寻找使调制深度ΔT和品质因子Q都达到最优时的结构参数集。实现在全局范围内的超表面结构参数寻优。最后,基于对超表面的FDTD模拟仿真具有大参数空间结构扫描计算耗时、占用内存大、设计效率低等问题,提出将深度学习应用到光学超表面的设计过程中。利用深度神经网络（Deep neural networks,DNN）训练出超表面结构参数和透射谱之间的非线性映射关系,经过收集数据,尝试不同优化算法,调试神经网络参数,训练神经网络模型,经过测试,该模型具有较好的预测效果,实现了基于深度神经网络的超表面光谱响应预测。