随着雷达组网技术的发展成熟,未来电磁隐身对抗中双站雷达散射截面(radar cross section,RCS)减缩将比单站更为重要.人工电磁超表面为双站RCS减缩提供了全新的技术途径.然而,受制于大规模阵列优化耗时及双站RCS减缩全空间最值特性,目前的双站RCS减缩超表面设计还存在效率不高、性能较差的问题.鉴于此,本文提出了一种小样本条件下的卷积神经网络(convolutional neural network,CNN)方法,通过定向优化超表面相位分布,实现雷达回波全空间均匀散射,从而达到双站RCS减缩效果.本方法结合了卷积特征提取、残差增强与全连接优化模块,配合自定义损失函数,可高效捕捉漫反射相位与RCS全空间最值的多维度复杂关系.理论计算、全波仿真和样品测试结果表明,在7.26—10.74 GHz频段内,利用本方法设计的超表面可实现10 dB以上的双站RCS减缩,相比传统优化算法减缩效果提升17.2%,且优化效率显著提高,有望为武器装备的全空间电磁隐身提供新的技术思路.