微穿孔板是一种新型的共振吸声材料,它可以根据噪声频谱进行定向吸声,在工程领域具有良好的应用价值。微穿孔板的吸声系数主要取决于微孔孔径、板厚、穿孔率、空气腔深度等结构参数。传统的结构参数设计需要通过公式计算并结合经验来不断调整,直到获得一个良好的效果。这样的过程往往会面对很多问题,比如繁琐的计算并且难以定向地满足目标需求。为了更直接地实现从目标到结果的过程,本文采用深度学习的方法进行了结构的逆向设计。论文主要包括以下主要内容:（1）为了能够根据目标特性直接获得合适的参数变量,本文采用了一种类自动编码器的神经网络结构,通过一个正向预测网络和一个逆向设计网络的联接来进行结构参数的设计。这样的方式克服了逆向设计所面临的“非唯一性”问题,同时避免了单一逆向网络造成的误差放大问题。然后利用训练好的神经网络模型进行了不同频率下单频高吸声的微穿孔板结构参数设计,并利用有限元分析验证设计结果的合理性。（2）本文将单频吸声的需求拓展到了宽频吸声,并通过增加层数的方式加以实现。然后采用深度学习模型根据频率段的吸声曲线获得了双层微穿孔板的设计参数,并由有限元仿真结果进一步探究了深度学习设计的微穿孔板的宽频吸声具体情况。结果表明,训练所得的神经网络模型学习到了目标吸声系数曲线与结构参数之间的非线性关系,并能够根据目标曲线的特征进行合理的参数设计,通过深度学习方式从需求出发设计的结果表现出了良好的吸声性能。（3）对于实际应用中的全频段吸声需求,本文通过神经网络模型进行了2500Hz频率范围内超宽频吸声的四层微穿孔板结构参数设计。然后结合有限元仿真说明了深度学习方法对多参数下的四层微穿孔板依然具有良好的设计能力。并根据设计结果归纳出微穿孔板结构参数对吸声性能影响的一般规律。在振动和噪声问题的背景下,基于深度学习的微穿孔板结构设计充分利用了神经网络强大的运算和拟合能力,为解决这些问题提供了新的思路。同时这种方式也在工程领域声学材料应用方面探寻出一条从需求捕获、定向设计到产品实现的技术路线。