声子晶体是一种具有禁带特性的人工周期性复合材料,即弹性波不能在禁带频段范围内传播。声子晶体的禁带特性使其在工程结构的减振降噪方面存在巨大的潜力。以往研究表明,高效地设计出能够满足减振降噪需求的声子晶体存在着很大的困难。近几年,基于机器学习的声子晶体逆向设计的研究在高效设计声子晶体方面已经取得了较为显著的成果,但存在着因为声子晶体样本多样性低而使得逆向设计模型泛化性低的问题。因此,本文基于机器学习主要对声子晶体材料分布进行了预测以实现具有高效性和高泛化性的逆向设计模型。基于全连接神经网络建立了一维和二维布拉格散射型声子晶体的带隙和基本参数之间的映射关系,取得了良好的测试结果。通过初步实践,得到了基于机器学习进行声子晶体逆向设计的完整流程,为研究更复杂且更具表达力的逆向设计模型奠定了基础。为了提高样本集的多样性以训练出泛化性更高的逆向设计模型,本文通过采用多种材料随机填充具有离散结构的声子晶体元胞,构建了高多样性的声子晶体样本。并基于Softmax逻辑回归（Softmax logical regression,SLR）和多任务学习（Multi-task learning,MTL）建立了逆向设计模型,测试效果良好。但该模型存在对样本筛选严苛以及预测元胞结构精度高而其带隙与目标带隙差异大的问题。为了解决上述模型存在的问题,本文基于半监督学习（Semi-supervised learn-ing,SSL）和自编码网络（Autoencoding,AE）建立了逆向设计模型,通过加入无需进行样本筛选且输入和输出分别为声子晶体元胞和带隙的预训练解码网络,使得模型可以优化带隙的误差,从而避免预测元胞结构精度高而其带隙与目标带隙差异大的问题,并取得了满足预期的测试结果。为了建立更深层的网络模型以提高模型的拟合能力,本文基于残差网络（Residual network,Res Net）建立了逆向设计模型。相比于前两个模型,该模型明显提升了二维声子晶体的逆向设计效果,但并没有提升一维声子晶体的逆向设计效果。为进一步提高模型的泛化性,本文基于Bagging算法建立了逆向设计模型。通过多个简单的神经网络构成一个随机森林模型,其样本和特征的随机性以及择优机制增强了模型的泛化性,使得其更好地建立了声子晶体带隙和元胞材料分布的映射关系,为声子晶体的逆向设计提供了更优的模型。并以船舶舱室的降噪问题为例,基于此模型开展了声子晶体逆向设计。