近年来,随着并行计算和图像处理单元的高速发展,深度学习技术不断发展,并带来了从软件算法至硬件结构方面海量的资源。若将其应用于传统微波领域中,将具有广阔的应用前景。一方面,日趋加快的无线通信技术迭代周期要求更低廉的设计成本与更快速的设计过程,使得更快速、高效的设计微波器件和天线变得至关重要。另一方面,大容量的信息传输对于传统提升信道容量的方法提出了新的挑战,使得研究扩大信道容量新型方法成为了一大研究热点。因此,本论文以无线通信系统为背景,以深度学习在微波领域的应用技术为主线,以加快传统器件的设计周期、促进新型通信方法的发展为关键问题,深入研究了三大典型神经网络模型在两大关键问题中的适用性以及局限性,构建了更适用于微波领域的高可靠性、高精度网络模型。本论文的主要研究工作如下:1.研究对比了基于数据驱动的人工神经网络方法和卷积神经网络方法在微波领域的适用性与可靠性。以重要微波器件滤波器的参数提取过程为主要切入点,分别构建了基于两种典型网络架构的参数提取模型,深入分析了这两种网络结构在电磁回归问题中的表现。进一步针对滤波器设计中存在调谐速度局限性,提出了利用表现更优的卷积神经网络进行微波滤波器加速调谐的方法,验证了基于数据驱动的卷积网络方法的高效性。2.研究了递归神经网络模型在具有序列性电磁问题中的可靠性。针对携带轨道角动量的涡旋波偏移检测问题,构建了更为普适化的涡旋偏移理论,并在此基础上,提出了基于门递归单元的递归神经网络模型。通过不同偏移情况下的测试对比,验证了所提出模型的高效性。为了深入对比分析不同网络架构在序列性电磁问题中的表现,进一步构建了基于卷积神经网络及人工神经网络的偏移检测模型,通过不同网络的准确率分析,论证了递归神经网络在序列性微波问题中的优越性。3.研究了人工神经网络方法在微波领域中存在的精度问题,提出了基于物理先验的混合神经网络模型。以大尺度问题中的关键算法快速多极子方法为具体切入点,研究了快速多极子转移过程中存在的问题。提出了基于数据驱动的单神经网络模型,指出了单网络模型在精度、存储上存在的局限性。通过分析转移因子计算中的物理规律,进一步提出了一种混合的网络架构,实现了高精度、低存储的快速多极子计算过程,论证了基于混合神经网络模型的高效性。4.研究了卷积神经网络方法在微波工程应用中存在的表现退化问题,构建了基于物理先验的卷积神经网络模型,深入分析了加入物理先验知识的程度对神经网络表现的影响。以涡旋电磁波的轨道角动量拓扑电荷检测为具体算例,首先通过数据驱动的方法论证了卷积神经网络在采样点充足情况下的有效性。而后研究了纯数据驱动的卷积网络方法的高输入维度需求与工程应用低采样点个数要求之间的矛盾,指出了该方法在低分辨率输入下的表现退化问题。通过对网络结构及波面特点的分析,提出了基于不同程度物理先验的卷积网络模型,在有限采样点的情况下,实现了高精度、高鲁棒性的涡旋波模数检测,论证了基于物理先验的网络模型对于克服网络局限性的高可靠性。本论文构建了更系统化的基于深度学习的电磁问题建模方法体系,既解决了无线通信背景下传统电磁方法存在的问题和局限性,也为基于深度学习的电磁建模这一新兴领域的发展提供了更广泛化的建模思路以及网络设计方法,对未来相关的研究有一定的借鉴意义。