微波滤波器目前在民用和军用射频领域中有着广泛应用,随着微波技术的不断发展,需要在微波设计仿真中既快速又精确的完成电路的仿真,在传统的微波CAD中很难实现这一目标。通常情况下,实际生产加工中由于装配的误差等因素会导致实际加工出的微波滤波器与电路设计中的性能表现差异较大,为了满足实际性能要求,需要有经验的调试人员依据经验对微波滤波器的物理尺寸参数进行调节,使得微波滤波器的生产时间延长、成本提高。为了解决这一问题,本文提出了基于卷积神经网络的微波滤波器计算机辅助设计方法。本文首先简述了算法模型所需数据集的构建,通过电磁仿真软件Sonnet进行微波滤波器建模并获得微波滤波器散射参数数据与对应物理尺寸参数数据,由于直接采用散射参数进行训练有着精度不够,噪声影响较大等问题,因此利用耦合矩阵参数提取法针对散射参数进行耦合矩阵提取优化散射参数中的损耗的运算,最终得到了微波滤波器耦合矩阵数据与其对应物理尺寸参数数据集。其次,在构建好的数据集上采用回归算法中常见的多元线性回归进行训练。在对多元线性回归模型训练出的模型进行训练结果评估时,由于其统计量化指标以及实际仿真波形与标准理论波形拟合差异较大,针对这一结果假设微波滤波器耦合矩阵数据与物理尺寸参数数据呈现非线性关系,引入回归模型中对于非线性问题表现出较好性能的支持向量回归模型在数据集上进行训练,发现其无论在统计量化指标还是在模型预测仿真波形上拟合效果上均比多元线性回归模型表现出了更好的预测效果。最后,基于对多元线性回归与支持向量回归模型的结果分析,提出了基于卷积神经网络模型来拟合微波滤波器的耦合矩阵与物理尺寸参数的对应关系。发现无论是通过统计指标的量化分析还是仿真波形的拟合程度,卷积神经网络模型在对物理尺寸参数的预测上均表现出了更优异的性能。验证了卷积神经网络模型在微波滤波器物理尺寸预测上的可行性以及优越性。本文的研究将为以微波滤波器为代表的微波元件设计提供一种高效且准确的设计方法,具有着重要的研究意义以及应用价值。