超表面是由超薄表面的亚波长单元组成的二维等效超材料。超表面可以对入射电磁波在振幅、相位、色散、动量和偏振等方面实现完全控制。超表面设计主要包含正向预测结果和逆向设计结构两种思路。正向预测结果是指根据给定的几何参数输出全光学响应。逆向设计结构是指根据所需的光学响应输出几何参数。通常,人们往往采用先进的迭代计算方法,结合有限元建模或时域有限差分来实现超表面材料的光学性质预测,这种传统的设计过程会受到人为引导误差的固有影响并且耗时严重。常用的逆设计方法包括遗传算法和伴随法。对于多参数问题,用遗传算法求解需要复杂的计算能力和大量的时间,并且随着参数数量的增加,计算时间将呈指数增长。建立伴随方法往往需要深厚的光子学知识,并且受实验条件或现有的理论基础的限制,无法多次进行对少数参数的调整和重新评估,以逼近目标。与传统的优化算法相比,机器学习算法能够通过从大型数据集中学习模型变量之间的复杂关系来对未知问题进行预测,这种数据驱动方案显着的缩短了超表面设计的计算时间,并且可以提供更为全面系统的超表面特性优化。本文以线性偏振入射下的单层金属薄膜超表面周期单元为例,提出了一种基于人工神经网络的光谱正向预测和结构逆向设计方法。主要工作包括:首先,使用时域有限差分方法产生超表面光谱训练数据集,通过将周期单元编码为8X8的二进制网格来生成任意形状的超表面结构,并且将其编码为64×64像素的灰度图,输入到网络中训练,生成64×64像素的输出,从而可以产生具有期望光学特性的任意形状的超表面设计模式。其次,通过训练一个卷积神经网络来实现正向光谱预测。训练好的卷积神经网络模型可以在5s内快速实现光谱预测,并且模型输出的预测光谱和FDTD仿真光谱基本一致,平均准确率大概为0.982,模型具有很好的拟合效果,能够代替传统的仿真软件计算,减少计算时间,为缺乏软件使用经验的人服务。最后,搭建了条件深度卷积生成对抗网络模型来实现逆向结构设计。利用生成模型来探索巨大设计空间的代替方法。训练后的生成模型可以实现用户的按需设计,对于每个测试的期望光谱,生成模型都会产生合理的超表面几何结构图像,生成的几何形状的预测光谱与期望光谱基本一致,光谱平均准确率大概为0.923。相较于传统生成模型,该模型提高了 0.056准确度,并且生成图像更加清晰。可提高超表面设计的准确性,对参数设计优化提供一些指导方向。