现在微波器件结构和参数的设计基本依赖于电磁软件仿真模拟。虽然通过全波电磁仿真可以获得它的性能参数,但是这种方法不仅复杂并且计算成本很高,所以研究人员提出用机器学习方法来解决微波器件的求解分析问题。常见的机器学习方法有支持向量机(Support Vector Machine,SVM)、高斯过程(Gaussian Process,GP)、人工神经网络(Artificial Neural Network,ANN)等。ANN具有自学习、联想储存、寻找最优解的功能,但其自身没有严谨的推理依据和推理过程,精确度依赖于大量的训练数据,自身网络结构复杂,所以训练时间较长,对样本的平衡性有要求,并且容易陷入局部最小值;SVM是使用铰链损失函数和正则化来计算经验风险和结构风险的二分类机器学习方法,较好的解决了非线性、高维数、局部极小点等问题,但由于不涉及概率测度所以实验结果没有概率意义,另外还有容易过拟合,解决多分类问题存在困难的缺点。GP是新兴的机器学习方法,它基于贝叶斯理论,和ANN相比它的输出具有概率意义并且不需要大量的训练样本,与SVM相比它的核函数更容易确定,对于小样本的分析更具有优势,另外GP的输出有概率性并且可以选择不同的核函数。因此在设计微波器件的时候,GP模型可以作为电磁软件建立的精确模型的替代品,这种方法可以在不降低模型的预测准确度的情况下减少建模时间。本文提出了一种新的高斯过程建模方法,在模型中引入先验知识,改进的模型对微波器件的优化效果理想。主要工作如下:(1)介绍了GP的基本原理、模型结构和模型的评估方法,粒子群优化算法的原理和基本流程,以及先验知识的相关理论。(2)研究了基于经验公式的GP建模方法,该方法在建模过程中引入经验公式,将天线的参数带入经验公式,计算出谐振频率或者输入阻抗,作为先验知识即粗糙值,精确值由仿真软件得出,利用GP模型替代HFSS,有效减少了建模时间。将此建模方法用于柱面共形微带天线,并用粒子群优化方法进行优化,优化结果理想。另外将该方法也共用于面波导双频微带天线、SIW背腔缝隙天线的谐振频率预测中,预测结果的误差很小验证了模型具有高精度。(3)研究了基于粗网格的GP建模方法,粗糙值由HFSS分析次数较少的模型计算得出,精确值由HFSS分析次数较多的模型计算得出,该方法操作简单便捷,不仅能保证模型的精度而且减少仿真软件的运行次数,有效减少了实验的计算成本。将此方法应用于双频微带天线、新型共面波导馈电S型天线、新型孔径耦合微带天线的建模,再用粒子群方法寻优,寻优结果理想,达到相应的指标要求,验证了该方法的可行性。(4)研究了基于ADS的GP建模方法,将ADS的实验结果作为先验知识,结合高斯过程模型建模。将模型用于耦合线带通滤波器的建模,再利用粒子群算法对其寻优,实验结果表明该模型精度较高,在建模过程中只用到少量的精确值,降低了计算成本。