电磁超表面是一种由亚波长单元结构以特定方式排列组合而成的二维人工合成材料,其拥有自然界材料所无法具有的物理性质,如对吸波、频选和波束调控。因此,电磁超表面被广泛的运用于战机隐身、无线通信等不同的领域。目前,电磁超表面的设计方法主要是基于不断仿真和优化得到预设的目标电磁响应特性。然而随着设计复杂度不断提升,超表面模型的仿真时间急剧上升,这导致基于试错法的电磁超表面设计过程过于繁琐。因此,如何有效的提高电磁超表面的设计和优化效率是未来电磁超表面领域面临的重大挑战之一。近年来,深度学习的广泛应用同样引起了超表面相关领域学者的注意力。目前,已有学者将深度学习通过各种方法融入电磁超表面的设计过程当中。通过对电磁超表面仿真数据进行深度挖掘,寻找潜在物理机制和数据之间的映射关系,可有效的提升设计效率。同时,启发式优化算法也被学者们用来进行电磁超表面的几何结构和材料参数的优化,期望能获得电磁超表面的最优性能。本文以深度学习理论为基础,结合启发式优化算法和基本的电磁超表面理论知识,以吸波超表面和后向散射增强超表面为对象研究了周期超表面和数字编码超表面的逆向设计和优化问题:1.针对周期超表面的设计问题,本文提出了使用级联深度神经网络实现吸波超表面单元的定制化逆向设计。我们构建三个神经网络模型,预测神经网络实现了对超表面单元电磁响应特性的正向预测,特征转换神经网络实现了对定制化性能指标的特征转换以及生成神经网络实现对超表面单元设计参数的逆向生成。通过将特征神经网络与生成神经网络级联,实现快速而有效的定制化逆向设计。2.针对数字编码超表面的优化设计问题,本文提出了基于条件变分自编码神经网络的后向散射增强超表面编码矩阵按需逆向设计,引入了正向预测神经网络实现对超表面RCS准确的正向预测,并通过条件变分自编码神经网络学习了后向散射增强超表面在隐空间的分布特性从而实现对目标超表面编码矩阵的逆向生成任务。为了追求更高的后向散射增强性能,我们将两个神经网络模型与遗传算法相结合,实现了对超表面优化空间的压缩和加速遗传算法对超表面优化过程中的适应度评估速度。在这种情况下,后向散射增强超表面编码矩阵的优化速度和优化性能均得到了有效的提升。本文创新性的提出了基于深度学习和启发式优化算法的电磁超表面单元和数字编码超表面的智能优化设计方法。针对不同的优化问题,将深度学习与启发式优化算法引入电磁超表面的设计和优化过程当中,有效的减少了电磁超表面设计过程中的迭代次数,提高了设计效率的同时还压缩了电磁超表面的优化空间提高了优化效率和优化性能。