超材料具有人工制造的周期性亚波长结构,可以通过人工设计其结构来满足各种所需的光学响应,故超材料具有巨大的发展潜力。伴随着最近几十年太赫兹领域的飞速发展以及太赫兹波的独特优势,科研人员开始关注于超材料在太赫兹波段的研究。太赫兹超材料作为一种重要的、新型的元器件,在太赫兹成像、探测和通信领域有着广泛的应用,所以设计出一个预期的太赫兹超材料结构就尤为重要。一般常用的传统设计超材料的过程中涉及到求解麦克斯韦方程组,而这一过程有着高度非线性和复杂的边界条件,对于复杂的结构来说,这一过程几乎不能实现。本文的目的是采用深度学习的方法来解决上述问题,本文设计了一个深度学习模型,通过让神经网络学习包含超材料结构及其对应光学响应的数据集,可以让网络获得通过光学响应来预测超材料结构的能力,并且网络还可以根据超材料的结构来准确预测其光学响应。模型训练完成之后,可以将其移植到便携设备,可以制作成快速设计超材料的仪器设备。本文的主要内容如下:1.对太赫兹及超材料的基础理论及典型科研成果进行研究,了解其主要优势和实际应用。对深度学习进行理论知识的研究,了解神经网络的分类和工作原理,着重对BP神经网络进行研究。之后,对常用的深度学习框架进行对比,探究其优缺点。研究表明:Pytorch兼顾了速度、灵活性和简洁度等多个方面,是最适合本模型的深度学习框架。2.详细探究电磁感应透明（EIT）现象的基础理论及发展历程,由于EIT现象的独特性和实用性,在本文中以EIT器件为例来呈现整个模型的工作原理和性能。对选定EIT器件的5个可变结构参数进行定义,用其透射谱作为光学响应。之后,使用CST仿真软件进行数据集的采集工作,共采集15000组数据。针对原始数据进行预处理,主要包括数据缺失值的处理、数据异常值的处理及数据归一化。3.进行深度学习神经网络的搭建。首先进行激活函数的选择,对常用的四个激活函数进行详细分析,主要集中在函数图像、公式和优缺点三个方面。结果表明:PReLU中的可学习参数a解决了某些神经元不会被激活的问题,且能够提高优化性能,故最适合本模型的激活函数是PReLU。然后进行优化器的选择,对三种典型优化器进行详细的对比,分析每种优化器的优化原理,以训练集和测试集的均方误差（MSE）为指标,直观展示了三种优化器的性能表现。研究表明:Adam相比于其他三种优化器,能优化到更低的MSE,且效率较高,故采用Adam作为网络的优化器。4.对神经网络层数和数据集样本数进行优化。在神经网络层数方面,主要对逆网络中含有800个神经元的隐含层的层数进行优化。采用训练集和测试集的MSE作为评价模型性能的指标,对存在1～7层的情况做出对比。研究表明:5层是最优情况。针对数据集样本数,选择五种不同的情况进行分析。同样以训练集和测试集的MSE作为指标,研究表明:样本数量为10000时平衡了时间成本和预测准确度为最优数量。本文设计的基于深度学习的超材料按需设计模型结构简洁且有着极高的预测准确度,为超材料设计领域提供了一个便捷的方法,具有十分重要的意义。