微波器件建模是微波领域的重要课题。本论文致力于开发先进的基于空间映射和人工神经网络的技术，用于对微波器件当中的有源和无源器件建模。氮化镓高电子迁徙率晶体管是一种应用于无线通信系统的重要微波功率器件，对该器件进行快速建模技术对于微波电路设计具有重要意义。在本论文的第一部分，我们提出了一种新型的空间映射技术用于对氮化镓高电子迁徙率晶体管器件建模。该新技术通过为现有的器件模型内的不同分支分别开发了独立的映射模块，可以分别有效地映射氮化镓高电子迁徙率晶体管中的不同效应，如陷阱效应，频散效应等。通过监督学习，每个映射模块可以得到系统地开发，从而加快了整个模型开发的过程。我们还提出知识型神经网络模型用于表达直流下的漏电流。该新技术可以快速、系统地对氮化镓高电子迁徙率晶体管建模，从而开发出具有满意精度的可用于微波电路设计的大信号模型，涵盖直流，脉冲IV，S参数，谐波平衡和负载拉移等仿真。
　　神经网络传递函数方法是一种流行的针对微波无源器件的电磁行为参数化建模方法。在本论文的第二部分，我们提出了一种新型的混合神经网络传递函数技术，以解决当器件几何尺寸变化较大时极点留数的不连续性和非平滑性的难题。该新技术系统地将神经网络传递函数模型中的有理传递函数和极点留数传递函数组合在一起。该新技术可以自动识别不同类型的极点留数，并将具有不连续性和非平滑性问题的极点留数转换为有理传递函数的系数，将光滑连续的极点留数作为极点留数传递函数的极点留数。该新技术可以有效地解决不连续性和非平滑性问题，当器件几何尺寸变化较大时，仍可获得非常好的模型精度。
　　在本论文的第三部分，我们提出了一种对基于有理函数的神经网络传递函数的新型分解技术用于对微波无源器件参数化建模，以解决当几何变化变大时该神经网络传递函数的高灵敏度问题。在提出的新技术中，我们将原始的基于有理函数的神经网络传递函数模型系统地分解为多个子模型。然后，我们将整体模型重新构建为子模型的组合。该新型技术可以自动确定子模型的个数以及每个子模型的阶数。该新型技术可以降低整个模型响应对每个子模型中系数的敏感度，使得整个模型得到有效地训练。所提出的新型技术可以有效地解决高灵敏度问题，当器件几何尺寸变化较大时，仍可获得非常好的模型精度。