微波滤波器,是现代通信系统中的重要器件,其性能的优劣会对整个通信系统产生重要影响。相较于传统的金属腔体滤波器,介质滤波器是经过多级耦合而获得选频作用的微波器件,具有色散程度弱,损耗低等优点,在移动通信、数字卫星通信等领域有较大的应有市场。受加工工艺和制作成本的限制,传统的介质滤波器设计方法需要经过反复的模拟验证来调整模型结构,具有设计周期长、设计过程不可复用等缺点,随着结构复杂性的增加,模型的设计变得越来越困难。本文提出利用深度神经网络在拟合复杂输入输出关系方面的强大学习能力来解决该问题,并以高介电陶瓷材料为依托对介质滤波器进行设计和仿真,从仿真数据中寻找模型结构与传输响应之间的映射关系,避开了传统的数学物理计算方法,实现了介质滤波器传输响应的快速预测和对于目标传输谱的反向结构设计。首先,提出了工作于X波段(8-12GHz)的带通介质滤波器结构。该滤波器由周期性排列的介质谐振单元组成,每个谐振单元包含三个沿传播方向上排列的陶瓷介质棒,实现了中心频率为9.31GHz,3dB带宽为0.74GHz的微波带通滤波器;利用数值模拟软件对其进行建模与仿真,揭示出介质结构的谐振机制;在此基础上观察工作频率内电场、磁场以及表面电流的分布规律,分析其结构尺寸、材质、晶格周期以及介质填充率对滤波性能的影响,采集不同结构参数条件下模拟得到的特征响应作为数据集用作神经网络的训练。然后,基于深度学习理论设计全连接神经网络作为正向网络,利用实际模拟得到的数据集对神经网络进行训练,经过5000次迭代,损失值降低至0.09,训练好的神经网络能够准确预测出响应未知的结构在X波段上的透射谱;同样设计全连接神经网络,并级联上训练好的正向网络整体作为反向设计网络,经过3000次迭代损失值降低至0.13,实现了对于特定的目标透射响应准确的设计出滤波器的结构参数。最后,利用理想带通滤波曲线对反向设计网络进行测试,实验结果显示,神经网络输出的滤波器性能与目标响应相差较大,这主要是因为理想滤波器在现实中无法实现,而本文选择的数据集全部来源于模拟得到的真实数据,且损失函数仅考虑了透射谱准确性而没有考虑所设计结构是否具有现实可行性。为解决此问题,本文引入加权损失的方法,将模型的结构损失值与透射谱损失值同时作为网络优化的因素,并使用批量归一化的方法避免由隐藏层的输入落在激活函数饱和区间所导致的梯度消失问题,优化后网络预测的滤波器在中心频率以及带宽的准确性上有了较大的性能提升,可为介质滤波器的设计提供快速有效的参考且所设计的模型具有现实可行性。