随着功率模块集成化程度的提高，其散热结构优化已成为研发中的关键。拓扑优化可通过变换散热器形貌、结构来最大化地提升散热效果，因此受到了广泛关注。但在拓扑优化过程中，每步迭代均需要计算模块与散热器温度分布，占用较庞大的计算资源和计算时间。为加速传统散热器拓扑优化进程，在基于传统固体各向同性材料惩罚SIMP（solid isotropic material with penalization）散热器拓扑优化方法的基础上，提出一种嵌套神经网络NN（neural network）同步学习的快速迭代方法。首先，构建散热器基于编码器-解码器结构的NN预测模型，即基于散热器形貌迭代进化过程实现优化结构的快速预测；其次，将NN模型与散热器SIMP拓扑优化流程相嵌套，利用迭代过程中的中间形貌同步训练NN；最后，针对单芯片、两芯片模块结构，对比所提方法与传统迭代方法的拓扑优化结果，验证了所提NN同步学习方法的准确性和快速性。