随着无线通信技术的飞速发展,微波射频器件的市场需求将持续快速增长。对射频器件进行建模与等效电路参数提取设计,目前通常基于准确的全波电磁场计算。然而,全波电磁仿真算法计算量大,所以需要大量的计算开销。部分研究使用遗传优化算法,但是仍然需依据仿真算法或工具,若遗传种群过大,非常耗时。而随着人工智能(AI)算法的快速发展,深度学习框架可以方便的使用它设计封装的接口,性能和效率很高。由于深度神经网络有模拟高度复杂非线性映射的能力,这也使得基于人工智能的电路建模与优化设计成为可能。本论文采用基于深度学习的方法对射频器件进行建模与优化设计。由于结合了深度学习快速预测能力、遗传算法的全局搜素以及鲍威尔算法的快速局部收敛性能,使得电路的建模与优化变得非常高效。本文的研究工作及创新点如下:我们基于全波仿真工具对射频器件进行电磁仿真,并把一系列结果作为训练数据,并建立相应的AI模型。使用该模型分析一系列适用于该模型的射频器件,就能直接获得器件的电磁仿真结果,而不需要再进行耗时的全波电磁场计算。同时,利用该AI模型与电路拓扑,通过优化算法还可以快速而准确地获得等效电路的参数。但是利用优化算法对等效电路做参数提取的一个主要困难,在于应用优化算法来有效地接近全局极小值。传统遗传算法(GA)能够找到全局极小值,但是收敛速度非常低。另一方面,直接搜索方法可能容易陷入局部极小值。在本论文中,我们提出了一种能够有效地搜索到全局最小值的改进的参数提取混合遗传算法。这种方法结合了遗传算法和鲍威尔算法的优点,可以高效地提取等效电路模型的电路元件参数。