射频/微波电路在硬件电路中占有极为重要的地位,而以GaN HEMT为代表的功率半导体器件在微波电路中应用最为广泛。在进行电路仿真设计时,需要用到电路中各个器件的模型,因而建立功率器件的准确模型对于微波电路设计至关重要。近年来,随着大数据的发展,人工智能已经成为一个热门而极具潜力的研究方向。神经网络作为人工智能领域中的一种有效方法,应用其建立器件模型也越来越受到关注。本文主要是研究应用人工智能领域中的神经网络方法建立器件行为模型。在进行器件模型研究时,常常将其分为小信号状态与大信号状态。本文以CREE公司的CGH40010器件为例进行研究。在小信号建模方面,根据器件特性,选择了包含15个元件的等效电路进行建模。文中在进行15元件等效电路小信号建模时应用分步提参法,分别得到了等效电路中寄生元件值与本征元件值。利用提取的元件值在ADS中搭建电路,根据器件特征参数进行调谐优化,给出模型验证结果。在应用神经网络方法建立器件小信号行为模型中,文中提出使用BP神经网络建立S参数行为模型。建立的小信号模型,可以直观地反映GaN HEMT器件的小信号特征。通过和等效电路建模过程及模型误差进行对比可以看出:应用BP网络建立小信号模型,省去了提取元件值的步骤,使得建模过程大大简化,且建模结果显示,应用该方法获得的模型也具有更高的精度。在进行大信号模型建立方面,提出了应用BP神经网络代替传统经验公式的建模方法,对非线性最强的I_ds、C_gs与C_gd进行了BP神经网络行为建模。使用该方法进行建模减少了参数提取过程,提高了建模效率。并且由于BP网络的模型误差小,而使得建模精度得到提高。最后,在大信号建模方面,文中还提出了应用极限学习机建立X参数行为模型。极限学习机相较于传统BP网络,由于网络中的参数是通过计算一次得到的,不用进行迭代,因而具有较高的建模效率。文中使用该方法建立了X参数行为模型,结果表明:该方法适用于X参数行为建模,且相较于BP网络,具有更高的建模速度。