在过去的二十年中,超材料的理论、设计和工程应用受到了学术界和工业界极大的关注,并取得了可观的成果。目前,成熟有效的超材料设计方法,主要依托于计算电磁学和高性能计算（High Performance Computing,HPC）的快速发展,借助如CST、HFSS、COMSOL等仿真软件对麦克斯韦方程组进行直接数值求解。随着超材料结构、工艺和功能复杂度的不断提升,为了达到超材料在振幅、带宽等方面的性能指标,研究人员必须借助大量的电磁仿真,反复调整和修改模型、材料等进行参数扫描,或者依赖粒子群优化算法（Particle Swarm Optimization,PSO）等优化算法对单一模型进行参数优化。这样设计任务繁重,过程繁琐,对研究人员的专业技能有一定的要求。如何自动挖掘材料电磁响应背后的物理内涵,针对特定设计目标实现按需设计是未来超材料领域面临的重大挑战之一。近几年,以机器学习为代表的人工智能技术兴起,在图像分割识别、图像超分辨重构、机器翻译、人机交互、数据挖掘等领域取得了突出的成果。目前,已有学者将机器学习逐渐引入于超材料设计中。在仿真设计阶段,合理收集并处理相应的仿真结果,对其进行二次利用和挖掘,寻找合适的潜在物理机制,将大大降低设计人员的参与度,同时降低设计成本、显著提高设计效率。本文以机器学习理论为基础,研究了吸波体超材料和光栅的逆向设计问题。使用深度神经网络完成了吸波体的吸收特性预测,使用生成式对抗网络实现了吸波体的按需逆向设计,使用强化学习的交互式学习方式实现了平面光栅的结构逆向设计。本文第一章介绍了研究背景以及目前国内外学者的研究成果。第二章介绍了超材料的基本电磁特性以及机器学习相关理论,探讨了使用机器学习进行人工超材料设计的可行性和优势。第三章介绍了使用深度神经网络实现吸波体的正向电磁特性预测,引入了一种数据预处理的方式使得模型训练更为平稳,训练完成的模型具备高效性和准确性。第四章介绍了基于生成式对抗网络的吸波体结构按需逆向设计,引入模糊设计的理念,提出了一种特征压缩的方式,使得模型可以实现“一对多”映射,并得到了 8～20GHz范围内的宽带设计方案。第五章介绍了交互式学习方式逆向设计光栅单元,该模型无需预先获得任何数据集,使得模型可以“边仿真边学习”,快速而精准的得到特定工作波长和偏转角下的透射效率。本文整个实验,人类对于设计干预的行为并不多,作为典型的数据驱动的设计方法,一旦计算机学习、自我训练的数学模型构建完成,凭借该模型将能迅速产生满足需求的设计方案。本文对基于机器学习的设计结果与电磁仿真进行比对,这种方法有效地满足设计指标,为超材料的逆向设计提供了新的可能。