在天线设计领域,输入和输出之间大都是复杂的非线性关系,计算成本昂贵,即使运用全波电磁仿真软件优化,如HFSS（High Frequency Structure Simulator）、CST（Computer Simulation Technology）等,也会耗费大量的时间和精力,约束了发展。为缓解此类问题,使用代理模型代替全波电磁仿真软件,再将建立好的代理模型作为全局优化算法适应度函数进行迭代寻优,可以获取符合设计要求的天线。高斯过程（Gaussian Process,GP）是一种非常有用的机器学习（Machine Learning,ML）方法,有着严格的统计学理论基础,适用于处理小样本、高维数、非线性等复杂问题。凭借较强的建模能力,能够自适应获取超参数,实现不同于其它回归模型的概率化预测,在分析天线建模问题中应用也越来越广泛。但模型的建立离不开必要的高精度训练样本,尤其是在带标签样本极度缺乏的大环境下,研究如何基于较少的样本建立较为精确的模型显得十分有意义。同时,模型的建立也要考虑到输入维度的大小,维度越大,模型训练时间越长,特别是针对较复杂的天线,有效减少模型训练输入维度也十分重要。为解决此类问题,本文在GP建模的研究基础上,有效减少复杂天线的建模输入参数,通过考虑灵敏度信息和主动学习算法,减少建模所需的高精度样本,提升模型预测精度,成功应用在天线设计上。本文工作如下:（1）介绍了GP和灵敏度分析的基本原理,以及HFSS-MATLAB的联合调用。（2）研究了基于变量选择的两级GP建模方法。不同的天线参数与设计要求的相关程度不同,运用多种变量分析方法确定关键的天线设计参数。基于建模前的变量选择,在建立第一级模型之后,为减少预测输出和真实输出之间的误差,再建立第二级模型。通过双频平面倒F天线和三波段圆极化平面单极子天线的建模,验证了基于变量选择的两级GP的有效性。（3）考虑灵敏度信息进行基于两阶段GP的天线优化设计。在训练两阶段GP模型时,不仅考虑天线输出性能本身,而且考虑了性能的变化趋势,以提高模型性能。通过倒F天线和超宽带平面单极子天线的建模,验证了考虑灵敏度的两阶段GP的有效性。由于测试样本误差较小,将建立好的模型作为优化算法的适应度函数,迭代寻优获取最符合设计要求的天线。（4）研究了基于主动学习的两阶段GP的天线优化设计。两阶段GP中,第一阶段的建立过程决定了高精度样本的获取个数和剩余样本的输出精度。由于两阶段GP的第一阶段模型的样本是随机获取的,且样本个数也是依照经验决定,因此本文考虑主动学习的采样方法建立第一阶段GP,不同物理参数和频率作为输入,通过预测的高精度输出和HFSS输出构成新的GP训练输出。通过三频段顶点馈电天线和微带馈电矩形印刷天线的建模,验证了基于主动学习的GP有效性。再与优化算法结合,迭代寻优获取最优的天线设计参数。