在工业领域中,压力容器发挥着关键性作用。随着对其服役要求的不断提高,压力容器朝着精密化、高压化、工作环境复杂化发展,这对压力容器的安全性评估提出了新的要求。表面裂纹是压力容器常见缺陷中最危险的一种,为保障压力容器在服役期间的安全,对含表面裂纹的压力容器安全性做出更为精确的评估具有重要工程意义。本文针对外表面有轴向半椭圆裂纹的压力容器开展弹塑性断裂研究,主要工作如下:首先,含缺陷压力容器强度评定方法多基于脆性断裂准则K准则和平面试件,在实际问题研究上适用性有限。本文采用三维J-积分理论,进行弹塑性材料压力容器的外表面轴向半椭圆裂纹驱动力研究,采用有限元分析计算了1200个不同容器几何尺寸、裂纹尺寸和内压载荷作用下的裂纹尖端三维J-积分值,分析了容器壁厚、裂纹深度壁厚比、裂纹形貌和内压作用对J-积分的影响,构建修正系数F表征弹塑性材料性能、裂纹尖端奇异性以及容器几何特征对J-积分的影响。其次,考虑在内压作用下,圆筒容器结构壳体内应力分布以及结构几何特征对裂纹扩展的影响,提出了采用保留压力容器外表面几何特征的弧形试样,以三点弯应变加载模拟压力容器外表面轴向裂纹疲劳扩展。有限元模拟结果显示新型弧形试样比标准试样更为贴合压力容器外表面轴向裂纹问题。最后,基于构建的机器学习数据库,搭建反向传播神经网络（BPNN）模型学习多个参数与三维J-积分之间的关系,研究不同架构对模型性能的影响。采用遗传算法优化BPNN,形成GABPNN结构,探讨了不同种群规模下遗传算法的效果。训练结果最佳的GABPNN模型在验证集上的准确度达到96%以上,在未知数据上亦取得较为准确的结果。本文提出一种将一维特征参数转换为二维灰度图的转换方法,实现卷积神经网络模型的构建,在验证集取得较好结果。本文进行了含表面裂纹压力容器弹塑性断裂研究,给出了不同特征参数下裂纹尖端三维J-积分值,介绍了可用于研究压力容器外表面轴向裂纹扩展问题的弧形试样,结合神经网络方法,实现裂纹尖端J-积分的精确预测,为神经网络方法在压力容器安全评定中的应用,进行了有价值的探索。