基片集成波导(Substrate Integrated Waveguide, SIW)是一种新型的基于周期结构的电磁结构,可基于廉价的标准化印制电路板工艺或低温共烧陶瓷工艺制作,具有类似于矩形波导的电磁性能,可用于构建各种低成本高性能的电磁器件,适合应用于毫米波等高频电磁波段。由于采用平面工艺制作,也非常容易与平面电路进行集成,具有很高的实际应用价值。与传统矩形波导器件不同的是大多数SIW器件中并没有可调整的部分,一旦被制造出来其性能便已由其材质及几何结构决定,因此在设计阶段能精确确定某些对性能有重要影响的关键参数便显得十分重要。对SIW器件的优化研究是一个往复迭代的过程,需要大量的仿真与测试工作,效率不高而且效果得不到保证。针对上述问题,本文引入神经网络进行SIW器件优化研究,主要研究内容包括：将SIW结构中一列金属通孔视为一开有长槽的导电壁,如实地考虑导体有限的电导率和非零的壁厚,基于Maxwell方程和Floquet模式函数分析计算了TE入射波与周期导电壁的电磁相互作用,获得了各次Floquet模式透射系数代表的电磁透射特性。所获得的结果是进一步分析各类具有周期导电壁的结构和器件的基础。提出了一种振动重力场方法用于神经网络的训练,帮助神经网络的训练跳出误差曲面上的局部最小值并在梯度下降算法所形成的“重力场”作用下向泛化误差更低的方向下降。对振动重力场方法中用于控制训练过程的训练周期控制法和指标判定法进行了讨论并比较了其不同。对于振动重力场方法中的核心控制参数—振动参量vp (vibration parameter)的值对于训练过程和结果的影响进行了分析并提出了建议的设置范围。在标准振动重力场算法的基础上提出回溯振动重力场方法,可保证振动搜索的起始值一直向下降的方向变化。结合模拟退火算法提出了退火振动重力场算法。采用模拟退火算法的理念进行振动搜索起始点的更新,具有以概率1收敛于全局最优解的渐近收敛性,可以以概率1收敛于神经网络泛化误差的全局最优值。利用自然常数π展开的内在随机性作为随机源构建了一个随机数发生器,分析了其产生的随机数的性质并将其应用于BP神经网络的训练中。提出了一种改进的BBP算法,连续展开时利用上一次展开的级数计算中间结果,可以有效提高π展开和产生随机数的效率。提出了一种π和线性同余组合随机数发生器,对其产生的随机数序列进行的统计分析表明其具有良好的随机统计特性,在均匀性上优于线性同余随机数发生器,而且无最大周期限制,适用于对随机数统计特性要求较高的场合。提出了一种基于艾宾浩斯遗忘曲线的神经网络训练方法,可以很好地完成新增样本的增量训练。基于艾宾浩斯遗忘曲线的神经网络训练方法可获得与全样本批训练法相近的性能,所需要的样本训练次数则远少于全样本批训练。其在学习新样本的同时可有效防止其遗忘已学习过的老样本并保持神经网络的泛化能力,适用于大样本集及新增样本频率较高的场合,可以有效提高神经网络的训练效率改善其在线学习能力。使用神经网络对SIW功分器、X波段波导滤波器和波导缝隙阵天线中的优化问题进行了研究。结果表明,通过对SIW器件研究中的样本数据进行学习,神经网络可以具有较好的SIW器件性能预测能力,能针对多个不同的参数变量快速而精确地给出其对应的系统性能参数,可以方便地对一个以上的参量同时进行综合优化,优化过程简单直观,效率较高。