在微纳光子器件逆设计研究中,已经证实深度学习能生成更高性能的代理求解器,但在给定期望和约束的情况下,确定最佳结构仍具有一定困难。其中,样本获取的局限性和数据非唯一性,是影响逆设计结果的主要因素。本文主要针对样本不足的情况,通过对深度网络模型以及算法的适应性改进进行微纳光子器件的结构逆设计和重建工作。主要研究内容包括以下三个方面:1.提出了一种并行特征融合模型:PF-CRNN,并基于多种一维光子晶体结构进行模型的性能评估。该模型包含卷积和循环模块,根据特定场景进行多种特征的并行提取和加权融合。在三种光子晶体结构的逆设计实验中,基于90组透射谱样本训练所得模型的R-Squared指标分别达到了90.47%、96.37%和99.2%。证实了该模型即使在样本不足的情况下也能充分的提取样本特征并完成特征分析。2.提出了一种图像递归策略,并采用并行特征融合方法,结合注意力机制和卷积网络设计了一种新型网络模型:IR&CNN-ECA。该模型通过采集空间透射谱的不同特征并根据特定场景进行加权融合,即使是少量样本也能充分进行特征分析并完成更准确的结构逆设计。在基于90组ABAB光子晶体空间透射谱的逆设计实验里,IR&CNN-ECA的R-Squared达到了91.27%,网络参数体积低至1.72MB,同等条件下,Res Net34的R-Squared仅为59.07%,而网络参数体积高达81.18MB。3.提出了一种基于光子晶体空间透射谱的趋势预测和光谱重建方案。通过将空间透射谱进行拆分,以角度为单位分解成若干序列向量,并将序列向量类比于一维序列的数据点输入循环网络进行趋势预测。在具体的设计中,可以根据已知角度的空间频谱进行未知角度的预测。随着序列向量的拼接数目增加,空间透射谱的预测和重建效果有着一定的提升,均方误差最低可达7.21E-5。