天线作为无线通信系统的组成部分,一直承担着收发电磁波的重要责任。现如今,随着通信需求的不断提高,天线阵的出现和设计也越来越精细复杂。对于庞大且复杂的天线阵结构,优化设计研究所耗费的计算资源如计算时间、内存消耗等也随之增大。本文旨在利用机器学习能够拟合复杂非线性函数的同时计算耗时还低的优势,将天线阵优化设计与机器学习相结合,降低传统天线优化设计的成本。本文的主要研究工作为将机器学习方法应用于天线阵优化设计,主要分成两个方面:第一个的主要内容是天线阵分析与机器学习相结合的算法,本文通过设计深度神经网络（Deep Neural Network,DNN）结构实现天线阵分析,完成训练的DNN模型可以实时预测天线阵的辐射场分布,预测结果与理论结果吻合良好。本文所采用的方法与传统算法相比,计算速度具有明显的提升。第二个的主要内容是道尔夫-切比雪夫综合与机器学习相结合的算法,本文通过设计DNN结构实现道尔夫-切比雪夫综合法,完成训练的DNN模型可以根据天线设计指标实时预测出满足要求的电流分布,由此得到的方向图结果与理论结果吻合良好。本文最后还对训练神经网络过程中超参数的初始化问题进行了研究,给出了本文所设计DNN模型其超参数初始化的优化思路与方案。本文的具体工作如下:首先,本文介绍了天线阵分析与综合的基本理论,介绍了机器学习的发展现状及其优势特点,详细说明了目前国内外有关天线阵优化与机器学习相结合的研究情况,为本文的研究工作提供了理论基础。接着,针对天线阵分析,本文分别设计了与直线阵分析、平面阵分析相结合的DNN结构,分析了训练过程、训练结果以及适用性。仿真表明:完成训练的DNN模型可以实现天线阵分析,预测结果的准确率在90%以上,相对传统算法,本文算法所需的计算时间明显降低,这有效的论证了本文所设计DNN结构与天线阵分析相结合的可行性。然后,针对道尔夫-切比雪夫综合,本文分别设计了与切比雪夫直线阵综合、切比雪夫平面阵综合相结合的DNN结构,分析了训练过程、训练结果以及适用性,得到了性能良好的DNN设计方案。仿真表明:完成训练的DNN模型可以实现道尔夫-切比雪夫综合法,预测结果的准确率在90%以上,有效的论证了本文所设计DNN与道尔夫-切比雪夫综合相结合的可行性。学习率、隐藏层神经元数、隐藏层层数和迭代次数是DNN训练过程中四个主要的超参数,它们的初始化对DNN的性能有着至关重要的影响。为了进一步提高本文所设计的DNN结构性能,本文接着通过训练一个较为复杂的切比雪夫直线阵综合模型,给出了四个超参数初始化的优化思路与方案,并对它们进行仿真计算,获得了良好的训练效果,有效的提高了原有DNN结构的性能。最后,本文总结上述研究内容,说明了天线阵优化设计与机器学习相结合的可行性,为天线阵优化设计提供了参考。