对于电大多尺度结构目标的电磁特性分析一直以来都是计算电磁学的研究重点。如果使用矩量法(MoM)对这类目标进行仿真分析,只能通过一体化剖分的方式获得共形网格,往往不能很好地拟合模型,以至于会出现矩阵条件数差,迭代收敛困难等问题。区域分解算法可以有效地解决电大问题,将表面积分方程问题转化为子域问题求解。不连续伽略金方法则在区域分解的基础上进一步允许网格非共形,从而解决多尺度问题。对此,本文开展了基于积分方程的不连续伽略金区域分解算法的研究,研究内容可以分成以下几个部分:一、研究了一种基于增广电场积分方程的不连续伽略金方法(AEFIE-DG),能够灵活并且有效地计算多尺度目标的电磁散射特性。基于表面电流的不连续性分别引入表面电荷和线电荷,非均匀的网格剖分无法保证跨子域边界电流的法向连续性,会导致子域边界处出现误差电荷的堆积。于是在不连续的分界边处引入电流Robin传输条件,再结合电流连续性方程来获得增广电场积分方程(AEFIE)。该方法使用非共形的网格单元对目标进行几何建模,在多尺度模型中的不同几何结构使用不同尺寸的网格单元,极大地提高了网格离散的灵活性。二、研究了一种基于矩量加权的不连续伽略金区域分解算法(MoM-DG-DDM),用于求解电大多尺度问题。将表面积分方程问题转化为子域问题,对于不连续分界边处积累的误差电荷,通过使误差电势能为零来确定内罚项,从而得到基于混合场积分方程的不连续伽略金方法(CFIE-DG)。矩量加权区域分解法(MoM-wDDM)的求解过程分为三步迭代:第一步,不考虑互耦合,直接求解各子域问题;第二步,将先前和当前迭代的所有子域解与由MoM确定的权重线性组合,为这一步的最终解;第三步,找到这一步的最终解相对于原始表面积分方程问题的残差,以用作下一次迭代中的激励。这种方法能够实现多尺度问题中复杂结构的非共形网格剖分,同时具有快速收敛的特点,仅需要几步或者十几步迭代就能得到较为精确的结果,可以有效地解决电大多尺度目标的电磁散射问题。三、将基于矩量加权的区域分解算法(MoM-DG-DDM)应用到求解阵列天线的辐射问题上,并根据计算出的远场辐射方向图,研究了基于深度学习的阵列天线故障诊断方法。采用可训练的卷积神经网络模型来自动提取特征,并以可训练的全连接神经网络对故障模式作分类,对整体深度神经网络模型采用Adam优化算法进行训练。这种方法既避免了手动提取特征的麻烦,又大大提高了故障诊断的准确性。对于包含100个单元的偶极子阵,信噪比为10dB时,故障诊断的准确率可以达到97.4%。