复合材料由两种或两种以上不同物质以不同方式组合而成，它可发挥各种材料的优点，克服单一材料的缺陷，扩大材料的应用范围，在工业、航空航天、军工等领域具有广阔的应用前景。复合材料的突出特性是在结构和性能上具有可设计性。复合材料设计及优化是依据积累的经验，归纳的实验规律和总结的科学原理，通过合理选择组分及制造工艺，制备或优选出预定结构和性能的复合材料，并得到优化设计方案的过程。目的是经济、科学地安排试验，以改进材料研制流程，缩短材料研制时间，部分或全部替代耗资、费时的复杂实验过程，高质高效地设计出预定性能的复合材料。本课题将智能优化理论引入到复合材料设计中去，应用神经网络、模式识别、支持向量机等，在不同的复合材料体系中建立相关模型，考察体系的工艺参数等输入条件对复合材料性能的影响关系。取得的研究成果主要有： 1)将模糊聚类和模糊模式识别相结合的方法，应用于具有多模糊特征变量的复合材料高温机械性能的识别与分类。对给定特征的复合材料性能进行模糊分类，建立群体模式。通过计算待识别材料的特征参数和群体模式的贴近度，利用模糊模式识别方法对检验样本在模式库中进行匹配，实现对未知材料的聚类识别。识别和预测结果表明对于多因子相关的复合材料性能，两种方法的结合是有效可行的，可以满足经济性和准确性的要求。 2)在炭纤维/ABS树脂基复合材料导电性和拉伸强度实验数据的基础上，利用主成分分析—遗传算法反向传播神经网络，对炭纤维复合材料导电综合性参数进行智能分析识别。其中主成分分析法作为前处理过程优化样本集的选择，基于遗传算法的BP神经网络较好克服了BP网络非线性映射易于陷入局部极小值问题。给出性能优良的目标参数优化区，并用实验予以验证。该模式识别方法可减少实验工作量，提高效率。 3)在炭材料粘结剂添加剂改性实验数据的基础上，将神经网络方法应用于研究添加剂配方和热处理温度对粘结强度的影响关系，建立了两种改进的径向基函数添加剂改性炭材料粘结剂的神经网络性能预报模型。采用一种动态自适应最近邻聚类学习算法对RBF神经网络学习样本聚类，并将网络参数的调整按限定步长优化进行，学习速率λ采用“模2递减原则。将RBF和最近邻聚类—模二递减RBF神经网络模型及BP网络进行了预报精度和训练过程比较，结果RBF神经网络模型和最近邻聚类—模二递减RBF神经网络模型的预报能力较好，得出了具有较精确粘结性能的添加剂配方和热处理数据，可望在炭材料粘结剂改性中的多变量、非线性体系中提高实验工作效率。 4)建立了基于改进粒子群PSO优化算法的BP神经网络对超级电容器用活性炭电化学性能中的比表面积和比电容参数进行模型仿真和预测及优化的理论模型。分别考察了活化剂用量、活化时间、以及活化温度等工艺条件对作为双电层电容器电极的电化学性能的影响。比较预测值与文献中的实验数据，可知预测值和实验测量值间的误差比较小。算例分析中将PSO—BP预测模型与BP神经网络预测法进行对比，发现前者平均预测精度提高，且收敛速度明显提高。研究表明，PSO—BP神经网络模型是有效的超级电容器用活性炭电化学性能研究的智能理论设计方法。 5)利用最小二乘支持向量机回归LS—SVR建模方法和遗传算法优化模型参数，将遗传算法用于优化模型参数的选择，以改善LS—SVR模型的准确性和泛化能力。在炭纤维/ABS树脂基复合材料导电性和拉伸强度实验数据的基础上，建立基于LS—SVR的炭纤维复合材料导电综合性参数预测模型。实例应用表明：与已有PCA—GA—BP神经网络预测模型相比，该模型较好解决了小样本、经验性等问题，并取得较高的预测精度和泛化能力。其次，给出性能优良的目标参数优化区域，并用实验予以验证。该建模方法为复合材料设计领域提供一条新的理论设计途径。 目前，本文的智能理论方法在复合材料领域中的研究和应用在国内外鲜见报道，本研究对智能优化理论方法在复合材料领域中的研究和应用做了些有益的探索。从对本文所建立模型体系的研究和分析可以得出，所提出的智能理论方法具有较高的精度和理想的实用性，为复合材料优化设计理论和应用提供了新方向。