对生产和生活中的气体进行检测对人们的生命财产安全、工业发展和环境保护方面都具有重大意义,很多重大的安全事故都是由于未能及时精确地对有害气体进行检测所导致的。随着科技的不断发展,更加高效的气体检测方法在不断出现。目前常见的气体检测方法大体有电化学检测法、催化燃烧法、气相色谱法、红外光谱吸收法。其中红外吸收光谱法利用气体会吸收特定波长红外光的性质较其他方法更加高效,分辨率高,对气体分子的选择性也好,但该方法价格高昂、分析光谱耗时耗力,如果能设计出能发射与待检测气体吸收峰相同的窄带,将完美解决红外吸收光谱法的缺陷。本文针对这一现象,开展了对中红外窄带带热辐射的正向预测与逆向设计的研究工作。传统用于设计光子器件正向预测和逆向结构的方法有有限元建模(FEM)或有限差分时域实现的高级迭代计算(FDTD)方法,或者是更高级的拓扑算法。虽然这些设计方法在光学领域的使用相对成熟,但其优化的计算成本仍然是很大的问题,尤其是逆向设计方法涉及到大量的复杂运算,增加了设计的复杂性。而神经网络由于其优秀的学习能力,可以充分实现数据的预测和拟合,在一定程度上可以解决传统设计方法的不足。本文选择了中红外窄带热辐射光源作为设计的对象,首先使用Lumerical软件对其进行结构设计和数据仿真,获得原始的光源光谱参数数据。随后我们对光谱进行分析,确定神经网络的输入与输出参数,最后使用matlab对数据进行数据清洗和筛选等预处理获得可用的数据集。我们使用python语言对神经网络进行相应的结构构建和相关参数的确定,并且利用处理过的数据集对构建好的前向与反向神经网络分别进行训练、验证和预测。最后对神经网络进行相应的优化,使其能够高效、准确地实现中红外窄带热辐射光源的正向预测和逆向设计功能。与已有的光子器件和材料方面的结构设计方法相比,神经网络可以更加准确和高效地根据我们的需求去实现相应中红外窄带热辐射光源的逆向设计与预测,极大程度地缩短了设计的时间成本。而且随着神经网络的不断改进和发展,我们相信神经网络将更广泛的应用于材料以及光学领域,具有更加广阔的发展前景。