近年来，随着无线通信产业的高速发展，微波射频器件及其电路设计已成为人们关注的重点，微波器件及其电路设计正朝着并向高效率、低成本和高质量的方向发展。人工神经网络技术具有非线性映射功能和实时计算能力强的特点，通过对微波器件及其电路进行测量或仿真可以得到微波器件及其电路的输入输出数据，利用这些输入输出数据对神经网络进行训练，即可得到器件或电路的模型，进而能够快速地对学习任务提供准确答案。目前，人工神经网络技术已被应用于解决微波射频器件及其电路的各种问题：晶体管建模、共面波导元件建模、放大器建模、滤波器建模、非线性微波电路优化等等。传统的微波器件建模及其电路设计需要耗费大量的时间和精力，因此，开发基于神经网络技术的微波器件及其电路的智能建模方法是十分必要的。由于微波器件建模问题通常情况下是非线性的、多维的，过多的样本数据将带来高成本问题，而过少的样本数据将导致神经网络的过训练。因此，如何获得建立高精度神经网络模型所需的数据成为研究的热点课题。本论文首先简要介绍了微波电路建模和人工神经网络的关键技术，分析了相关数据分布技术。然后对已有的神经网络训练数据获取算法进行了研究，发现已有的训练数据获取算法存在一系列不足之处，如建模所需的训练数据量较大、建模耗费的资源较多等问题。最后，本论文提出了一种新型神经网络训练数据获取算法，并搭建了神经网络智能建模系统。通过对功率放大器、微带滤波器等微波射频模块建模，验证了新型数据获取算法的可行性和有效性。