数据驱动方法作为一种经济有效的反向设计方法已经越来越多地应用在光学材料和系统的开发中。光子晶体反射谱图的特征与其光学性质密切相关,因此,在指定的参数空间内搜寻最接近目标谱图的反射谱图所对应的光子晶体最佳构造参数是一个很有价值的反向设计问题。本论文中,我们针对一维光子晶体（1DPC）体系的不同情况提出了两种基于机器学习的通用高效反向设计方法,重点关注具有较高实用价值的可见光反射谱图。第一种反向设计方法建立在深度神经网络（DNN）和蒙特卡洛（MC）方法之上。对于任何一个给定类别的1DPC体系,该方法首先用传输矩阵法生成的大量数据训练一个具有统一构架的DNN模型,然后整合DNN反向预测（从反射谱图到层厚度）、MC移动和传输矩阵法正向计算,形成了一种新型的迭代优化算法。我们研究了四个具有代表性的1DPC体系,包括具有两层、三层和四层重复单元的周期性结构以及一个异质结构。无论是对于预先已知可精确实现的反射谱图,还是人工构建的特殊反射谱图,我们的迭代优化算法在四个体系上都成功地找到了1DPC结构的最佳构造参数。例如,在对于人工构建的“方形”绿光反射谱图和红光反射谱图的反向设计中,该方法展现出了优秀的鲁棒性,即使在超出DNN原始训练数据覆盖范围的情况下,也可以自动找到最佳的层厚度。第二种反向设计方法采用了强化学习中的深度确定性策略梯度（DDPG）算法。该方法实现了生成数据与模型“学习”的同步进行,无需提前生成完整数据集,对于构造参数较多且参数空间较大的1DPC异质结体系有很好的适用性。我们用该方法在1DPC异质结体系上对三种类型的目标反射谱图进行了包括折射率、层厚度以及周期数在内的多种构造参数的反向设计,并都取得了成功。本论文发展的两种通用高效机器学习方法对设计和优化各种1DPC体系提供了新的研究思路,有望成为未来1DPC材料发展的有力工具。