在现代无线通信技术中,微波滤波器作为关键的选频器件,其性能的优劣直接影响了通信系统的质量。随着滤波器结构日趋复杂,传统基于电磁仿真软件的设计方法虽然计算精度相对精确,但计算成本高、耗时长,这无疑加大了滤波器设计的难度和成本,制约了滤波器的发展。本文将结合人工神经网络对如何实现滤波器快速、精确设计的问题开展深入研究,具体成果如下:（1）基于耦合矩阵提取的滤波器设计方法。针对在滤波器设计过程中耦合矩阵提取速度慢、精度低等问题,提出将一维卷积神经网络（One-Dimensional Convolutional Neural Networks,1D-CNN）应用于耦合矩阵的提取过程。首先,本文采用S参数与耦合矩阵的关系式对数据进行采集,极大的减少了数据采集耗费的时间。然后通过设计1D-CNN模型的结构和网络参数学习S参数与耦合矩阵之间的映射关系,对耦合矩阵进行精确、快速提取。最后通过提取到的耦合矩阵辅助滤波器快速设计。结果表明,所提方法在耦合矩阵提取快速和精度上优于传统的提取方法。（2）基于一维卷积自编码器（One-Dimensional Convolutional Autoencoder,1D-CAE）的替代模型技术研究。替代模型作为替代全波电磁仿真的有效工具,常被用于微波器件的优化设计过程。本文提出的1D-CAE模型能够建立滤波器设计几何参数与电磁响应的映射关系,替代传统的电磁仿真。1D-CAE模型通过编码和解码的方式对数据进行降维和重构,实现滤波器的高维建模。相比于其他神经网络结构,1D-CAE模型能够通过更少的数据集构建精度高、计算快的替代模型,辅助滤波器优化。（3）在基于替代模型的滤波器优化设计中,寻优策略对于减少替代模型调用次数、搜索全局最优解来说十分关键。本文引入两种寻优方法:粒子群算法（Particle Swarm Algorithm,PSO）和基于分解的多目标进化算法（Multi-Objective Evolutionary Algorithm Based on Decomposition,MOEA/D）。首先,1D-CAE模型通过训练得到的计算复杂度低的替代模型取代PSO算法中对电磁仿真软件的直接调用。同时,PSO算法每迭代几次都会将最近一次迭代的最优解作为初始值重新采样,更新1D-CAE模型,在迭代过程中提高1D-CAE模型预测精度。其次,针对PSO算法在处理多参数、多目标问题方面的局限性,本文又提出MOEA/D结合1D-CAE模型的微波滤波器优化设计方法。最后,通过滤波器的设计实例分别验证了以上方法的有效性。