纳米光子结构就是利用纳米技术通过人为设计将两种或多种天然材料进行组合的复合结构。此类复合结构在材料选择、结构参数等方面存在着极大的设计空间,现如今纳米光子结构在光电探测器、完美吸收、非线性光学、热发射器、光伏系统等领域都发挥着重要的作用。然而,传统的结构设计方法由于设计者的实验条件与理论知识的影响,设计空间与设计效果严重受限。近年来,利用机器学习方法来完成纳米光子结构设计成为众多国内外研究者的研究热点。与传统设计方法相比,机器学习利用大量数据进行模型训练的特点极大的提高了结构的设计空间和设计效率。本文针对多层薄膜的吸收光谱设计问题,在已有的模型研究基础上,基于机器学习思想对其进行创新,设计搭建了两种神经网络模型架构。并且在设计准确性、设计效率、模型泛化能力、面对新问题的模型可迁移能力等方面对设计搭建的模型进行全面评估以及仿真验证。提出了一种基于生成对抗思想的模型设计架构,增加了判别器模块目的是提高模型收敛效率与泛化能力。同时还提出了一种基于多任务学习思想的模型设计架构,将并行的设计问题进行分解处理,目的是提高模型的预测准确性。对于同一验证集,本文设计模型架构与传统神经网络模型架构相比,预测光谱仿真误差分别降低了 33%与30%。同时将本文设计的模型应用于太阳能吸收器的设计应用中,目的是针对特定波谱范围实现完美吸收,最终模型预测设计出一组多层薄膜太阳能吸收器参数,经仿真验证其结构在300至1500nm之间平均吸收率可以达到96%。