人工智能的发展已经给人类社会的发展带来了极大变革,各种基于人工智能的新应用层出不穷。在电磁学领域,人工智能也已用于电磁仿真加速、自动化天线设计和逆散射成像等。同时,近几年发展起来的数字编码和可编程超材料因其对电磁波强大的调控能力、实时的处理能力、以及灵活的设计特性,给人工智能技术引入电磁超材料的设计和智能化应用搭建了桥梁。然而,目前人工智能存在过分依赖训练数据、缺乏可解释性和泛化能力差的缺点,严重阻碍了人工智能在电磁领域的发展和应用。从计算电磁理论能为人工智能提供物理先验知识出发,本文系统研究了基于电磁物理规律和电磁物理方程所构建的机器学习和深度学习等人工智能算法,并用其解决电磁问题,以此减少人工智能对数据的依赖,提高可解释性和泛化能力;同时提出了基于波空间计算的可编程人工智能机的概念和实现。本文主要内容和创新点如下:1.提出了快速合成孔径雷达成像和机器学习优化相结合的超宽带等效散射中心快速提取技术,可在数秒内快速提取出目标的稳定散射中心,并能最大程度上恢复目标宽带、广角雷达散射截面值。2.基于相位的物理特征,提出了可预测编码超表面宽带反射相位曲线的深度学习网络结构,结合机器学习算法实现了各向异性宽带编码超表面的全自动快速设计。与基于全波仿真软件的自动设计方法相比,在保证低设计误差的同时,将自动设计时间缩短了四个数量级。3.提出了用于全息成像的机器学习离散相位源优化算法;同时基于电磁传播方程构建了电磁物理驱动的非监督全息成像深度学习网络架构,直接输入目标图像即可获得所需的相位源分布,并使用可编程超表面平台进行了实验验证,表现出优于传统Gerchberg-Saxton算法的成像效果。4.深度融合对比源反演逆散射成像方程和对抗生成网络,提出了电磁物理驱动的非监督逆散射成像深度学习网络架构。在无需成对训练数据的情况下,输入电磁散射数据即可生成明显优于传统逆散射成像算法的高质量目标图像。5.提出了基于多层透射式可编程超表面将卷积神经网络算法硬件化的理论框架和基本算法,首次实现了具有可编程功能的波空间人工智能机,可直接接收空间电磁波并进行光速智能计算。6.基于上述可编程人工智能机设计并实现了多种新颖的智能化应用和无线通信应用案例,包括多种图像识别案例、基于强化学习的多波束成形案例和在波空间同时实现编解码和去噪的无线通信案例,充分展现了可编程人工智能机在智能化电磁应用方面的巨大潜力。