结构色是一种通过亚波长人工微纳结构与可见光相互作用而显示的物理颜色,相比传统颜料色具有色彩鲜艳、化学性能稳定、易回收无污染等优势。结构色能够突破可见光衍射极限,实现100,000 dpi的超高分辨率,对于高分辨率高性能显示以及高密度光学数据储存等相关领域具有广泛的应用前景。传统结构色设计需要通过电磁仿真方法验证并不断重复优化,这一过程需要消耗大量时间及计算资源并且可能仍然无法准确满足设计需要。人工智能神经网络工具作为一种强大的拟合算法,能够精确映射纳米光子结构与其光学响应之间的复杂物理关系,进而实现对光学性质的准确预测以及对结构的精确逆向设计。基于结构色的应用前景与设计需求,本文结合最新人工智能深度学习算法,构建了一个针对纳米光子结构色、兼具正向预测与逆向设计功能的双向神经网络,实现了对结构色的精确设计,整个流程的时间复杂度极大降低。以硅纳米圆盘作为基本单元,构建了生成结构色的周期纳米结构。通过电磁仿真结果选定了周期P,间距G,直径D,高度H等4个变化参数生成样例,最终构建了包含5214组数据的网络训练数据集。网络训练确定了最优超参数,具有较好的收敛结果。使用360组数据测试网络效果,正向预测对CIE 1931标准色彩空间的x,y,Y三个颜色参数绝对误差平均值分别为0.0020,0.0031,0.0019,以小于0.01的绝对误差为准确预测标准时,x,y,Y的准确率分别达到了99.2%,95.6%,99.2%。在逆向设计过程中,通过使用串联神经网络解决了结果非唯一性的问题,实现了对结构色精准的逆向设计。对于同样的360组测试数据,x,y,Y三个颜色参数的设计值的绝对误差平均值分别为0.0019,0.0025,0.0022,准确率分别为97.8%,95.6%,97.5%。另外选用实例对网络整个设计流程进行了演示,并测试了网络对实际图画的复现能力,结果均展示出了较好的颜色设计效果。