随着物联网技术和5G通信技术的不断发展,人们对于便携智能设备的需求不断增大,而这衍生出了对高性能天线的大量需求。在天线设计过程中,传统的电磁软件全波仿真虽然可以得到较为精确的仿真结果,但会消耗大量的计算资源和时间资源。机器学习辅助天线优化（Machine learning-assisted optimization,MLAO）如今为研究的热点,其基本原理为:天线优化过程可简化为输入天线的各项几何参数,输出天线的各种电磁响应,该过程可类比为一个黑盒,其输入为几何参数,输出为电磁响应,而这就与机器学习的回归应用相吻合,均为需要找出输入和输出之间的映射关系,二者可以相互结合。本文从MLAO出发,以5G通信系统中大放异彩的Sub-6GHz天线为研究对象,使用机器学习方法设计了两种天线。首先,以基本的机器学习理论为基础,对深度学习理论进行了解释,并对深度学习中的多层感知机算法进行了公式推导。在此基础上,本文使用基于Python的Keras框架完成了程序编写,并在双T型天线单元和双T型周期结构天线（超表面天线）上完成了对程序和训练模型的验证,总结了机器学习的一般步骤,改善了程序的复用性。其次,设计了两种工作于Sub-6GHz频段的微带天线。设计过程中,均采用CST建模仿真的方法来获取训练、测试数据集。本文均以天线的某些几何参数作为机器学习模型的输入,以天线的电磁响应(S11)作为模型的输出。训练过程中,使用K折交叉验证的方法和添加Dropout正则化方法来对模型训练结果进行优化,最终训练模型成功实现了由天线几何参数到天线电磁响应的映射。在此基础上,本文对上述两种天线的几何参数进行了优化并与电磁全波仿真的结果进行了对比,机器学习优化结果略优于电磁仿真优化结果。最终设计出的两种天线,其一为8端口折叠单极子MIMO天线,其工作频段为3.59-3.82GHz和4.89-5.09GHz,带内增益为3.73d Bi和1.52d Bi,不同端口的隔离优于-15d B;其二为4端口方形开槽MIMO天线,其工作频段为3.52-3.73GHz,带内增益为3.5d Bi,不同端口的隔离度优于-20d B。本文的研究成果为机器学习辅助天线设计给出了通用性的研究方法,对提高天线设计效率有着较大帮助。机器学习与天线设计相结合也可以为将来的天线智能优化提供经验、开拓道路。