机器学习是一门多领域交叉学科,凭借其极强的函数拟合能力,机器学习与各个领域的结合应用已经成为当下最热门的研究内容之一。随着机器学习逐渐进入纳米光子学领域,传统的光学计算迎来了新的机遇,同时一些逆向设计过程中面临的挑战也有望得到解决。在光子学领域中光学响应往往是通过有限元方法、时域有限差分等方法获得,耗时长且计算成本高,因此机器学习的出现,可以在一定程度上解决复杂的光学响应难以获得的问题,这不仅可以实现快速而准确的光学响应的正向预测,而且可以大幅提升根据目标光学响应对结构参数进行逆向设计的效率。本文研究了一种使用传统的进化算法——遗传算法与机器学习结合实现光学逆向设计的方法,并成功进行了一维光子晶体多个能带间隙中的多个边界态的设计。主要研究内容包括:（1）改进多层板一维光子晶体能带的计算方法,将准备数据集所需时间缩短为原来的1/3,针对多种一维光子晶体训练神经网络,使网络的均方差损失函数降到10-4量级,可以作为代替数值计算和模拟仿真获得光学响应的有效工具;（2）通过遗传算法和已经训练好的神经网络结合,对完整的拓扑向量进行了逆向设计,分析了适应度函数的作用,并通过了数值计算的验证;（3）根据设置的目标频率段,成功地实现了单个到多个边界态的逆向设计,找到了符合目标频段的两种光子晶体的结构,并通过了仿真的检验;在改变材料之后,同样成功实现了边界态的逆向设计,并且通过实验验证了两个边界态的存在;最后对一维光子晶体的层数做了扩展,证明了该方法的有效性以及通用性。