随着现代无线通信技术飞速发展,通信系统对微波无源器件的要求越来越高,为了满足通信系统的不同需求,需要不断对微波无源器件进行优化设计。为了提高微波无源器件的设计效率,降低设计的时间成本,利用算法对其进行设计已经成为一种必然趋势。机器学习是一种简单、快速建立映射关系的方法,但是由于需要大量样本进行训练,导致其在实际应用中时间复杂度较高。论文以提高微波滤波器和天线设计效率为出发点,开展了基于极限学习机（Extreme Learning Machine,ELM）的微波滤波器和天线设计方法研究,主要工作如下:（1）研究极限学习机、空间映射以及头脑风暴优化算法（Brain Storm Optimization Algorithm,BSO）理论。对上述三种算法原理及实现步骤进行说明,并通过引入反向学习策略提高头脑风暴优化算法的收敛速度和初始种群质量。（2）提出基于极限学习机与空间映射的滤波器设计方法。利用空间映射算法的思想建立微波滤波器的粗模型和细模型,通过极限学习机建立粗、细模型设计参数之间的映射关系,将繁琐的优化工作在粗模型中进行,细模型仅进行简单的验证工作,有效降低了设计微波滤波器的时间及劳动成本,提高了设计效率。通过加脊基片集成波导（Substrate Integrated Waveguide,SIW）滤波器和低温共烧陶瓷（Low Temperature Co-fired Ceramic,LTCC）滤波器的设计实例,说明该方法的通用性及可行性。（3）提出基于改进极限学习机的低维参数微波天线设计方法。利用头脑风暴优化算法优化极限学习机的输入权重和阈值,然后建立微波天线设计参数与响应之间映射关系,根据设计的目标响应预测微波天线的设计参数,在减少训练样本数量的同时提高了极限学习机预测的准确度。通过介质谐振器天线和低剖面磁电偶极子天线的设计实例,说明该方法具有节约时间成本、提高设计效率的优势。（4）提出引入拉丁超立方抽样（Latin Hypercube Sampling,LHS）的改进极限学习机的多维参数微波天线设计方法。利用拉丁超立方抽样获取一定数量的天线设计参数,解决了极限学习机在训练过程中获取训练样本设计参数困难的问题,同时利用HFSS-Matlab-Api实现了设计过程的自动化操作,提高了多维参数微波天线的设计效率,降低了设计的人力成本。通过叠层微带天线的设计实例,说明该方法的有效性。