随着通信系统的发展,对微波器件的设计要求日益提升。这不仅体现在对器件的指标更为严苛,对设计者也提出了巨大的挑战。如何快速且精确地设计微波器件显得格外重要。最优化理论广泛应用于电磁器件的优化设计中。传统的优化算法存在许多缺陷。近年来提出的群智能优化算法具有良好的优化效果,因此已广泛应用于微波器件的优化问题中,且已取得良好结果。本论文主要研究各类群智能（Swarm Intelligence,SI）优化算法在微波滤波器设计中的应用。利用和开发不同的SI算法以提升微波滤波器的设计效率。另外,将SI算法与机器学习算法相结合以提升优化过程的效率。具体工作如下:1、基于标准花粉优化算法（Flower pollination algorithm,FPA）,提出一种新型的FPA算法。提出新型的随机当前最优提升策略,并结合FPA算法提出一种新型的改进型FPA算法,称其为i FPA。从优化的角度,利用提出的i FPA算法将N型,N+2型耦合矩阵综合问题统一解决。实验结果表明,相比传统群智能优化方法,利用i FPA算法解决耦合矩阵综合问题表现出其通用性及简便性。另外,本文提出的i FPA相比其他已有的先进算法,在多个算例上均表现出收敛快、优化精度高等优势。2、基于一种新型的群智能算法,Harris Hawks算法（Harris Hawks Optimization,HHO）,实现介质波导滤波器的优化设计。首先,采用代数方法对HHO算法的各种基本更新策略进行详细分析,以考察算法的动态收敛行为。其次,利用HHO算法解决介质波导滤波器设计的优化问题,以提高滤波器的优化设计的收敛速度、效率和精度。基于该算法优化设计了两款介质波导滤波器。实验结果表明,HHO算法的收敛速度、效率和精度都明显优于目前业内主流应用的自适应差分进化算法,花粉授粉优化算法和灰狼优化算法。3、基于极限学习机提出了一种新型的算法并应用于微波滤波器的参数化模型建立。为减轻标准极限学习机（Extreme Learning Machine,ELM）的性能波动,结合集成学习的概念生成多个同构子网络,并通过自举法来训练子网络及评估。通过综合各同构子网络以提升集成网络的稳定性与预测能力。采用差分进化算法作为搜索引擎与以自动获取网络的训练数据。当获取训练网络之后,转而采用自适应差分进化算法与网络进行交互完成优化过程。为验证算法性能,利用提出的算法对微带滤波器进行建模及优化。为了进行比较,考虑了ELM,集成ELM和基于电磁仿真的直接优化来实现优化滤波器。实验结果表明,集成ELM网络更加有效。与标准ELM相比,其性能更好,并且能够精确地提取出物理结构的映射关系。此外,在这些方法中,集成网络得最佳的优化结果,并且测量结果也证明了该算法的有效性。