超透镜因其结构紧凑、集成度高的特性被广泛认为是可用于相机成像、集成光学、可穿戴设备等极具潜力的光学器件。色差作为宽谱光学器件的一个关键误差因素,限制了各种超透镜的应用,因此消色差超透镜的设计至关重要。传统设计方法需要从仿真结构库中筛选出符合要求的超原子结构,不仅耗时,且精度严重受制于仿真的结构库。因此,考虑利用数据驱动的算法来克服这些缺陷,但深度学习中的判别式神经网络,存在模型能力有限、在解决逆向设计问题时结果固定和容易陷入局部最优等问题。因此提出将生成式模型用于宽带消色差超透镜的设计,充分的利用有限数据的同时实现更好的设计能力。本文利用生成式的深度学习模型——生成对抗网络,对从相位响应到几何结构的潜在关系进行建模,并选用二维的自由像素结构,搭配卷积神经网络提升了结构的自由度,得到了一个用于相位逆向设计的生成器。该生成器可根据相位响应获得匹配的超原子几何结构。利用该生成器设计了多个不同参数的近红外线偏振敏感宽谱消色差超透镜,这些消色差超透镜具有接近衍射极限,相对聚焦效率高（均值80.3%）,带宽大（1200～1600 nm）等特点,且设计便捷快速。论文的主要工作包含以下几个方面:（1）实现了用于消色差超透镜设计的相位逆向设计生成对抗网络。模型中的生成器对给定的目标相位,搭配噪声可以生成相位匹配的超原子结构。（2）通过给生成对抗网络嵌入一个编码器将输入的相位响应曲线映射为高维特征向量,解决了折叠相位响应突变导致的神经网络训练难的问题。（3）将自由像素结构作为超原子几何结构,扩展了超透镜设计的结构自由度。（4）通过给相位逆向设计生成对抗网络的生成器输入消色差相位补偿曲线,得到与目标相位曲线吻合的超原子阵列,实现了多个消色差超透镜设计,并进行了仿真和性能分析。将设计结果与传统方法及判别式深度学习方法的设计结果进行对比,证明了此种设计方法能实现更大口径、更高效率、更大带宽的设计结果且方法灵活高效。