超表面结构在控制光学响应方面有着巨大的优势,可高效调节电磁波在传输过程中的相位大小、偏振角度和传播模式等,被广泛应用在实现光束控制、超分辨率成像、非线性光学等领域。通常采用全波数值仿真方法对超表面结构进行设计,然而当结构比较复杂时,需要进行大量的建模、扫参和优化过程,对于人类经验、计算时间以及计算资源的要求都比较高。近年来,人工智能算法的兴起加速了超表面的设计过程,其不需要复杂的建模和扫参过程,提升了结构的设计质量,具有非常重要的研究意义和应用价值。本文主要研究基于深度学习的超表面结构设计,主要工作包括:（1）引入了一种基于注意力的卷积神经网络长短期记忆（Attention-Convolutional Neural Networks-Long Short-Term Memory,A-CNN-LSTM）模型对超表面结构的透射光谱进行正向预测。该模型是以卷积神经网络为基础,引入了长短期记忆和注意力机制两种神经网络来提高整个网络模型的性能。在数据集的制作过程中采用软件自动仿真的脚本和裁剪,并进行去噪预处理以保证数据集的质量。实验证明,该网络模型可以在极短时间内实现对不同形状的超表面结构的光谱预测,并且预测结果与采用FDTD Solutions仿真软件得到的光谱结果基本一致。并通过与CNN,CNN-LSTM对比,验证了所采用模型的预测能力优于其他模型,精确度达到98%。（2）提出了一种条件深度卷积生成对抗网络（Self-Attention-ConditionalDeep Convolutional Generative Adversarial Networks,SA-C-DCGAN）模型来实现对超表面结构的逆向设计。该模型在生成器和鉴别器部分分别使用反卷积和卷积操作,并在生成图像部分引入条件信息使网络能够生成符合标签信息的结构,最后在网络的后面两层卷积之间加入自注意力机制,以提高生成图像的有效性。通过大量实验,并与其它传统生成网络模型进行对比,验证了该网络模型具有较高的生成图像准确率（达到95%）。此外,进一步研究计算机视觉OpenCV方法对上述模型生成的超表面结构进行几何参数提取,以将该逆向设计模型拓展到实际应用之中。本文基于深度学习为超表面的结构设计提供了一种高效、高精度、自动化的设计方案,可以为纳米光子器件的设计应用提供理论指导。