超构表面作为自然界中无法直接获取的电磁材料,通过适当地设计和材料选择,其可以实现独特的电磁响应和灵活地调控电磁波。但是,传统设计和优化超构表面步骤繁琐,研发周期长,计算成本较高。同时随着材料的表征手段越来越多,超构表面结构也越来越复杂,依靠纯粹的人工分析往往难以挖掘数据之间的深层联系。为了提高设计和优化的效率,许多研究人员使用遗传算法等去提高超构表面的设计效率。但是,这些算法容易受到随机搜索性质的约束。因此,如何快速、准确地设计和优化超构表面功能器件已经成为了目前超构表面研究领域的一大难题。随着人工智能的快速发展,部分学者提出利用深度学习对超构表面的单元结构、结构参数等进行设计和分析,这为超构表面功能器件的研究提供了一种全新的思路。超构表面电磁吸波器在许多应用中扮演着一个比较重要的角色,例如电磁隐身,电磁屏蔽。常规的超构表面电磁吸波器设计方法主要有两方面不足:难以产生复杂的按需调控的吸收谱和设计周期较长。由于电磁吸波器具有较强的实用价值以及为了避免常规设计中的不足之处,因此本文采用深度学习对超构表面电磁吸波器进行研究。本文主要围绕上述问题进行相关研究,包括以下两个方面:1、基于深度学习的超构表面宽带电磁吸波器设计。为了加速超构表面宽带电磁吸波器的设计,提出了一个深度学习模型(Deep Learning Model,DLM)。其能在十几秒钟内以较高的预测精度找到研究人员想要的超构表面结构。为了证明该DLM的实用性,本文评估了聚甲基丙烯酰亚胺(Polymethacrylimide,PMI)泡沫和金属环交替多层组成的超构表面电磁吸波器的逆向设计,结果表明预测电磁响应与所需电磁响应具有良好的一致性。2、基于深度学习的多频段超构表面电磁吸波器设计。在实际工作中,因为单一频段的超构表面电磁吸波器无法很好地满足多样化的需求,所以需要设计具有多频段的超构表面电磁吸波器。而单纯使用CST微波工作室收集数据,较大的时间消耗不符合设计初衷。因此,本文采用等效电路理论法进行数据集的收集。同时在DLM模型的基础上进行新的深度学习模型的设计,删减了冗余的网络结构,得到了一个优化的深度学习模型IDLM(Improved Deep Learning Model,IDLM)。通过上述方法,多频段超构表面电磁吸波器的设计效率得到了较大地提高。最后采用IDLM进行多频段超构表面电磁吸波器的逆向设计,设计结果符合预期的设计目标。