在射频微波器件的设计中,需要在保证器件工作性能的前提下减少设计时间和成本,通常用CAD（Computer Aided Design）软件来建立射频微波器件模型。但在传统射频微波器件的设计中,需要不断优化各参数以满足设计指标,整个过程是耗时费力的。深层神经网络具有高维数据处理能力和复杂非线性关系的近似能力,因此将深层神经网络建模方法应用到天线等射频模块设计中。本文主要的研究工作概括如下:首先,针对基于神经网络的射频模块设计时待优化参数多、网络结构复杂和耗时长等问题,提出了一种基于改进的深度信念网络-极限学习机（Deep Belief Network and Extreme Learning Machine,DBN-ELM）代理模型的超宽带（Ultra Wideband,UWB）天线设计方法。此方法通过PSO算法（Particle Swarm Algorithm）来确定DBN的最优隐藏层节点数,并在DBN的训练过程中加入ELM,以获得更高的特征学习能力和非线性函数逼近能力,解决了网络在全局微调需要大量时间的问题。通过改进的模型可以直接预测出分形天线的整体结构参数和MIMO（Multiple-input-multiple-output）天线的陷波结构参数,仿真结果显示天线的S参数的拟合效果良好,说明该方法建模精度高,可以代替电磁软件进行优化设计。在使用相同训练样本的情况下,DBN-ELM方法的预测误差最小为11.87%,其预测精度比ANN提高了68.13%,比MLP提高了68.88%,比DBN提高了58.60%,比PSO-DBN提高了53.10%,比R-DBN提高了41.47%,说明所提出的DBN-ELM模型具有更高的预测能力和泛化能力。其次,提出一种基于高斯过程-深度信念网络（Gaussian Process and Deep Belief Network,GP-DBN）逆向建模方法。在GP-DBN模型中,可以建立射频模块S参数与结构参数之间的平滑映射,解决射频微波器件设计中输入输出数据的非线性关系。将本文建立的GP-DBN逆向模型应用于超宽带滤波器和双频段微带贴片天线的优化设计中,经过优化后,超宽带滤波器能滤除X波段信号干扰,双频段微带贴片天线可以工作于WLAN和WIMAX频段,证明了该模型的有效性。在模型性能方向,GP-DBN模型的预测误差为22.04%,与ANN、DBN和GPLVM三种方法相比,预测精度分别提高了42.71%、16.01%和15.59%,结果显示该方法预测准确率更高。通过上述研究,本文所提出的方法可以用于射频模块的优化设计,提升了射频模块设计速度和精度,同时丰富了射频模块的建模理论和设计方法。该论文有图32幅,表11个,参考文献71篇。