超表面结构(Metasurface)是新型纳米光子器件的重要一员,这些材料实现了完美吸收、超分辨率成像和非线性光学等诸多应用。通常,人们往往采用先进的迭代计算方法,结合有限元建模(FEM)或时域有限差分(FDTD)来实现超表面材料的光学性质预测和超表面结构的设计,但是这种传统的设计过程会受到人为引导误差的固有影响并且过程十分耗时。本文通过训练一个深度学习网络模型从而实现了超表面的设计。当输入一组期望光谱时,所训练的生成网络会输出一个具备输入光学特征的超表面图形。论文首先介绍了超材料和神经网络相关的理论知识,然后根据研究需求进行了本课题神经网络的设计架构,网络主要由模拟器、判别器和生成器构成,其中模拟器为卷积神经网络,生成器和判别器构成了一个生成对抗网络。通过不断优化和调整最终训练了一个拟合的超表面生成器,最后对生成网络进行了测试和结果分析,并展示了本网络的具体应用实例。本文最终实现了一个超表面生成网络,与传统设计方式相比,极大的缩短了设计时间,同时降低了超表面设计所需要的物理领域的专业要求,可为缺乏相关知识的用户进行服务。另一方面,由于其是通过神经网络和无监督的学习方式生成,不依靠人类经验进行设计,可为科研人员设计具有某些特定光学性质的超表面结构提供参考。