石墨烯作为一种新型二维材料,可以以低传播损耗和高约束力的优势来支持表面等离激元(Surface Plasmons Polaritons,SPP)的激发和传播。基于石墨烯的独特性质和SPP的光学特性,各种纳米结构设计层出不穷。由石墨烯纳米条(Graphene NanoRibbons,GNRs)构成的石墨烯超材料(Graphene Metamaterial,GM)因其相对简单的工艺流程备受关注。近年来,针对光子器件的设计,通常利用人工神经网络(Artificial Neural Networks,ANN)来替代传统的数值仿真方法从而大幅度降低设计时间,然而与一些传统的机器学习方法相比,ANN在准确率和效率方面的优势并不明显。除此之外,在光子学结构的性能优化问题中,通常只针对单个目标进行优化,多目标优化算法应用很少。因此,在GM结构的设计和优化研究中,还缺乏一个全面且快速的解决方案。针对以上问题,论文的具体研究工作包括以下几个方面:一、提出一种由GNRs构成的新型GM结构,当平面光垂直入射时,可在石墨烯表面激发SPP模式。基于模式耦合作用,可在透射谱中形成等离激元诱导透明(Plasmon Induced Transparency,PIT)效应。通过调节结构参数可实现对PIT的动态调谐。该结构可用于构建光学滤波器、光开关和慢光器件等。二、针对所提出的GM结构,利用多种机器学习算法提出一种正向透射谱预测和逆向设计方案。结果表明,无论是正向透射谱预测还是逆向设计,所有算法的预测准确率都在91%以上,算法处理时间均在37秒以内。其中,随机森林算法在保证预测准确率达到96%的同时,将算法处理时间控制在7秒以内,相比研究热点ANN来说在预测准确率和效率方面更具优势。三、提出一种利用演进类算法对GM结构的透射谱进行单、多目标优化的方案。在单目标优化中,遗传算法、量子遗传算法和粒子群算法在经过多次迭代后,所优化的透射谱与目标透射谱的误差分别降为0.12、0.09和0.13,实现了透射谱的整体优化。在多目标优化中,利用非支配排序遗传算法-II对透射谱中PIT效应的峰-谷差进行优化。经过多次迭代,针对单透明度窗口(双透明度窗口),透射谱的峰-谷差可达到0.86和0.97(0.87、0.83、0.79和0.69),有效地提高了透射谱的陡峭程度,该结果可广泛用于构建高性能光开关、折射率传感器及慢光器件。