作为一种新型微波芯片技术，射频微机电系统(Radio Frequency Micro- Electro-Mechanical Systems，RF MEMS)器件因其具有损耗低、体积小、重量轻以及与其它加工工艺相兼容等特点，已经越来越广泛地应用在在相控阵雷达、微波通信、卫星通信以及微波测量等领域，其工作稳定性、可靠性以及射频性能在应用系统中起着关键作用。伴随着RF MEMS器件的的广泛应用，其射频性能建模问题一直是人们关注的焦点之一。在设计过程中，由于模型的复杂性，特别是若干物理结构参数的相互关联性和射频性能参数的非线性大大增加了它的设计难度，其准确性与计算量、存储量、计算效率以及运行时间成正比。本文通过分析Ka波段RF MEMS器件设计过程中现有建模方法存在的问题，提出采用人工神经网络对毫米波器件的S参数以及设计参数进行建模，并对该方法的原理及运算过程进行深入的研究。　　首先，对Ka波段RF MEMS移相器S参数神经网络建模过程进行研究。使用的模型为分布式RF MEMS移相器，以移相器的几何参数，即周期布置的桥间距、桥墩高度、绝缘Si3N4层厚度及指定频率点作为模型输入。以移相器的Sll和S21参数幅值相相角作为模型输出。设置了三个几何参数的样本空间范围，使用HFSS软件进行仿真获得训练样本。研究结果表明：与HFSS软件仿真结果相比，采用网络结构为4-30-4的BP神经网络经过69min的训练收敛后可获得S参数幅值误差平均值小于0.0671dB，S参数幅角误差平均值小于2.53610的建模性能。针对BP神经网络训练易陷入局部极小而难以收敛这一问题，使用免疫算法和遗传算法对BP算法进行改进，实验结果显示两种改进方法针对不同数目的训练样本缩短了BP神经网络的训练时间10-30％不等。　　其次，对Ka波段LIGA滤波器S参数神经网络建模进行研究。以Ka波段LIGA滤波器为研究目标，在分析了LIGA工艺特点及基本模型的基础上，获得其几何参数对于S参数的影响。确定了影响S参数的四个几何参数，即第二、三带条长度及间隔。依据81x51组训练样本和36x51组随机样本，分别使用BP神经网络和RBF神经网络建立了四个几何参数与S参数幅值的模型。与CST软件仿真对比，采用5-20-40-2层间结构的BP神经网络对S参数幅值建模的平均误差小于0.1031dB。使用训练1100次、41分钟收敛（传播常数0.1），隐层为1100个神经元的RBF神经网络S参数幅值建模的平均误差小于0.0214dB。　　之后，使用了支持向量回归机对Ka波段RF MEMS器件的S参数进行建模研究。以支持向量机理论为基础，将其使用于回归领域，构建RF MEMS器件的建模方法，解决S参数建模过程中模型精度与样本数目的过分依赖这一问题。以RF MEMS移相器和LIGA滤波器为研究目标，以支持向量机优良的小样本泛化能力，分别对不同训练样本（21、51和101点取样）的建模性能进行研究。结果表明，对于同样的样本数目，SVR建模精度相对于BP神经网络提高了50%。　　最后，对Ka波段RF MEMS器件设计参数进行了人工神经网络建模研究。结合人工神经网络建模过程，提出间接和直接设计参数两种建模方法，建立了各种常用设计参数从S曲线中提取的方法。对RF MEMS移相器的几何参数和谐振频率、lOdB带宽、谐振频率处插入损耗／反射损耗和谐振频率处“开”／“关”态相移变化量分别使用BP神经网络、RBF神经网络及多层前向网络进行建模研究。结果表明，对设计参数的直接建模性能要优于间接建模50%左右的提高，建模时间也仅为间接建模的20%。对于LIGA滤波器的中心频率和3dB带宽两个设计参数进行建模，结果表明对滤波器中心频率和3dB带宽的建模平均诶差分别小于0.0512dB和0.0658dB。