Este documento propone una técnica de modelado de red de núcleo de kernel de wavelet multicanal (MWKN) con una técnica de entrenamiento de dos etapas para el modelado inverso de alta dimensionalidad de filtros de microondas. Las partes real e imaginaria de las características de transmisión y reflexión se utilizan como entradas del modelo, mientras que los parámetros geométricos del filtro se designan como salidas. Dado que la señal eléctrica en el modelado inverso de microondas abarca múltiples componentes de frecuencia e información compleja derivada de los sutiles cambios dimensionales en el patrón metálico, se introduce la transformada wavelet aprovechando sus potentes características de multi-escala y detalle aproximado para formar la capa de convolución wavelet discreta en el MWKN propuesto. Para adaptarse al aprendizaje de características detalladas aproximadas en diferentes escalas, los parámetros aprendibles de esta capa y los pesos de la red principal se ajustan en etapas a través de una estrategia de entrenamiento de dos etapas basada en la optimización por enjambre de partículas (PSO), que promueve conjuntamente la rápida convergencia del modelo. Tres ejemplos numéricos demuestran la efectividad y robustez del modelo MWKN propuesto. En comparación con el método de diseño tradicional que utiliza simulación electromagnética (EM), este enfoque reduce significativa y sustancialmente el tiempo de cálculo repetido y es capaz de predecir la geometría que cumple con las especificaciones de diseño en 0.42 s.