近年来,人工智能、机器学习等词汇越来越频繁地出现在普通大众的生活中,并和我们的生活息息相关,在生活中随处可见的智能音箱、智能语音助手和人脸识别系统中都应用了此技术。传统机器学习在经历低潮后,随着深度学习的提出、大数据时代的到来和硬件设备的不断更新再次迎来发展高潮。5G技术的发展也让自动驾驶技术朝着理想方向进一步发展。神经网络(Neural Network,NN)是机器学习的重要算法之一,它是一种模仿生物神经网络对信息进行分布式并行处理的算法模型,因为其具有准确率高和不易出现过拟合等优点而被广泛地应用在医学信息检测、图像识别等领域。天线阵列和超表面的设计和优化往往是一个漫长的过程,尤其对于知识相对匮乏的初学者,当然,即使是有一定理论基础或设计经验的人也是如此,因为天线阵列和超表面的设计和优化还与其所处的环境有关。此外,使用各类仿真软件进行优化设计时,阵列各参数的优化过程不仅取决于设计者的经验和对理论知识的了解程度,还和计算机的性能以及阵列本身的复杂度有关。基于以上难题,本文提出了利用神经网络进行天线阵列和超表面天线的优化设计研究。主要工作如下:第一部分,基于神经网络的天线阵优化设计。该部分基于人工神经网络(Artificial Neural Network,ANN)和凸优化算法(Convex Optimization,CVX)设计和优化了主瓣可调的低副瓣天线阵列。神经网络模型用于快速分析单元因子,其输入为单元尺寸参数,输出为单元因子,通过训练,最终神经网络模型的训练准确率和测试准确率都在90%以上。进一步,将ANN所计算出的单元因子与CVX结合,优化设计出满足设定指标的天线阵。通过对比凸优化结果和全波仿真结果,两个结果的高吻合度说明了该方法的可行性。本文设计了由微带天线作为基本单元的11元直线阵和7*7的平面阵,此外,为证明该方法的高效性,本文还设计了41元直线阵。所设计的阵列均达到了设计目标,主瓣方向符合设计方向,且主、副瓣电平差大于15d B。文中给出了使用该方法进行优化设计和单次全波仿真的时间对比,结果表明所有用例的耗时均远小于全波仿真的耗时,从而表明了所提出方法的高效性。与传统方法相比,该方法不仅具有高效性,还考虑了单元之间的耦合效应,让设计结果更接近实际设计。第二部分,基于神经网络的超表面(Metasurface)天线阵列优化设计。该方法中,利用神经网络优化阵列单元,将超表面单元的关键参数作为神经网络的输入,将其幅、相特性作为神经网络的输出,该方法省略了复杂的数值计算过程,能够快速地对单元特性进行分析,通过训练,最终神经网络模型的训练准确率和测试准确率都在90%以上。根据轨道角动量理论设计能够产生涡旋波的超表面天线阵列,本文设计了能够分别产生不同模态OAM涡旋波的反射平面阵。仿真结果显示了所提出的设计在宽频带内能够产生良好的携带轨道角动量的涡旋电磁波。该方法能够根据相位需求快速计算出符合需求的超表面尺寸,设计方便,单元之间的耦合较小,不需要重复的优化设计过程。