光波导集成器件(Integrated optical waveguide device,IOWD)由于具有集成度高、功耗低、工作带宽大和可扩展性强等优点而被广泛应用,目前正向高集成化、功能复杂化和智能化方向发展,但却面临着高效设计和智能化构建方面的挑战。论文将人工神经网络(Artificial neural networks,ANNs)技术应用于光波导集成器件的设计与应用中,完成的相关工作如下:一、针对目前功能复杂化IOWD设计效率低的问题,提出一种利用ANNs对复杂IOWD进行透射谱预测、逆向设计和性能优化的新方法。论文以等离子体波导耦合腔结构为对象进行理论分析和仿真研究,该结构能够激发具有近场增强和突破衍射极限优势的表面等离子激元。并以源于该结构的法诺共振和等离子体诱导透明效应为例,验证该方法的有效性。同时,还采用遗传算法优化ANNs的网络结构,并为其选择合适的超参数。计算结果表明,利用ANNs预测透射谱的精度高于90%,并且能实现有效的逆向设计和性能优化,所达到的效果不低于已有的利用二进制搜索等其他算法对IOWD进行设计的水平。与以往的工作相比,该方法大大提高了复杂IOWD设计的效率和智能化程度,并降低了复杂度,对实现高性能的功能复杂化IOWD具有应用价值。二、针对智能化IOWD发展过程中缺乏有效片上训练方法的问题,提出一种利用演进类算法对基于ANNs架构的智能化IOWD进行片上训练的方案。论文以光子神经网络为实例进行仿真研究,采用遗传和粒子群两种典型进化算法对其进行权重的自学习和超参数的确定,实现了智能化IOWD的有效片上训练,并将其应用于Iris数据集、Wine数据集和调制格式识别的分类任务中。仿真结果表明,分类识别准确率均能达89%及以上,在精度和稳定性上均不低于目前用于光子神经网络训练的伴随变量法。该策略突破了伴随变量法不能优化光子神经网络架构的限制,并且在进行大规模智能化IOWD训练任务时,有望克服目前的片上训练算法计算速度低的问题。