超材料以其特殊的电磁特性被科学界广泛关注,并成功地应用于雷达、天线、传感器和其他微波器件上。在传统的超材料的设计与仿真中,往往需要利用HFSS、CST等电磁仿真软件进行复杂的建模与大量的数值计算,如何快速、准确地对超材料进行分析成为目前超材料研究领域的一大问题。近年来,部分学者提出利用深度学习的思想构建神经网络来对超材料进行特性参数计算和结构设计的方法,为超材料设计与仿真提供了另一种思路。利用深度学习设计超材料是一种较为通用的方法,不需要考虑超材料的建模过程,也不需要对其各种参数进行电磁计算,只需要学习不同结构以及其对应的特性即可对超材料进行特性计算和结构设计,这对于超材料的研究具有很强的现实意义。本文介绍了超材料的特性以及传统电磁数值计算方法,学习了基于深度学习研究超材料结构与特性的思想,并将其应用于周期性阵列型超材料结构特性参数的计算。对于周期性超材料阵列结构,将其抽象为“0”、“1”矩阵的形式,使用Matlab与CST微波工作室联合仿真的方法对其进行建模与仿真,得到模型结构和其对应的S参数作为样本数据集,然后运用深度学习思想构建卷积神经网络,分析了卷积层深度、池化方式、激活函数和优化器选取对神经网络性能的影响,使用GPU加速的方法对仿真得到的部分样本数据集进行训练,从而构建超材料结构和其特性参数之间的映射关系,最后利用构建的映射关系对样本数据集里的训练集进行验证,实现对超材料特性参数计算的效果,为进一步通过超材料的特性进行结构的逆向设计做出了铺垫。