神经网络算法在电磁场问题处理中具有很好的应用前景,尤其在电磁特性检测和电磁目标识别方面。本文主要研究两类典型应用问题,一是把神经网络算法用于阵列天线失效单元检测,二是用神经网络算法识别由半波振子构成的电磁目标。阵列天线可以通过控制阵列激励来产生所需辐射特性,在雷达、通信等系统有普遍应用。相控阵天线有通过移相器将波束扫描到特定角度的优势,如果阵列中出现了失效的单元,则会对天线性能产生影响甚至导致天线不能正常使用。神经网络算法能够绕过复杂的天线测量与电磁反演计算过程,从相控阵天线远场辐射方向图的少量采样数据中提取辐射特征,建立起远场数据与对应的失效单元数量和位置的映射关系。数值结果表明神经网络算法能够有效地对平面阵列进行失效单元诊断,准确率达到96%。半波振子是一种基本电磁辐射结构,作为天线在众多通信和雷达系统中被普遍使用。本文基于HFSS软件仿真设计了由半波振子天线组成的数字辐射体,在自由空间采样获得辐射体远区电场数据,训练神经网络得到预训练模型,能够很好地识别出与远区电场分布相对应的数字结构。考虑到现实应用场景以及神经网络模型的可迁移性,在数字辐射体外加带孔的金属盒子以及将数字辐射体放置到有一定厚度的介质盒子中,在这样的条件下采样远场电场数据,预训练模型在应用迁移方法后仍能够很好地识别出辐射体对应的数字。本文成功将神经网络算法应用到电磁目标识别任务中,通过应用迁移学习的特征匹配方法,从神经网络层次结构的角度去确定预训练模型中对于学习目标任务有用的特征,以及需要迁移到相应目标层的源层。结论验证在这样的应用场景下,预训练模型的前两层（底层）特征是较通用的,对它们进行迁移效果很好,能在提高识别效率的同时有效地节省时间成本。