Los problemas de optimización de filtros involucran simulaciones que consumen mucho tiempo y muchas variables en el diseño. Estos problemas requieren una gran cantidad de cálculos. Este documento propone un modelo sustituto adaptativo de autoencoders convolucionales 1D en línea (AOU-1D-CAE) para resolver este problema computacionalmente costoso. En el proceso de optimización, se construye un mapeo sustituto de actualización adaptativa entre las variables de entrada y los objetivos de salida dentro del marco del modelo sustituto AOU-1D-CAE. AOU-1D-CAE puede reemplazar el software de simulación electromagnética para la recolección de datos, y seleccionar y utilizar automáticamente los datos acumulados como muestras de entrenamiento para entrenar el modelo sustituto AOU-1D-CAE. Con más y más muestras de entrenamiento, la capacidad de aprendizaje del modelo sustituto también se vuelve cada vez más fuerte. Los resultados experimentales muestran que la eficiencia de recolección de datos de AOU-1D-CAE se mejora considerablemente, y la actualización automática del conjunto de muestras mejora el rendimiento predictivo del modelo sustituto. En este documento, el marco de optimización es la optimización de enjambre de partículas (PSO) asistida por AOU-1D-CAE, y el modelo sustituto ayuda a PSO a encontrar la solución óptima global. En la etapa de PSO, PSO actualiza y guarda automáticamente la solución óptima, y toma la solución óptima de cada etapa como la solución inicial de la siguiente etapa de optimización para evitar caer en la solución óptima local. Se ahorra mucho tiempo de optimización y se mejora la eficiencia de la optimización. La iteración continua de PSO también mejora la precisión predictiva del modelo sustituto. La eficiencia del modelo sustituto propuesto se demuestra utilizando dos filtros de cavidad como ejemplos.