摩擦磨损是造成零件失效的一个很重要的原因，所以零件耐磨性能的好坏在一定程度上决定了零件的使用寿命。研究证明，在零件表面制备一层具有润滑耐磨性能的涂层，可以显著地改善表面的磨损状况。在材料的摩擦学方面，存在着许多无法用明确的函数表达式来描述的非线性问题，而这些问题对了解材料的摩擦磨损性能有着很重要的作用，而人工神经网络很适合来处理这个问题，它可以完成n维空间矢量到m维空间矢量的映射。本文采用超音速等离子喷涂技术在基体GCr15表面制备了KF-301/WS2复合涂层，利用MM-U5G屏显示材料端面高温摩擦磨损试验机对涂层进行摩擦磨损试验，然后分析其摩擦磨损性能。采用正交试验方法对影响涂层摩擦学性能的因素进行分析，确定较优的配方组合。以实验数据为基础，以温度、摩擦时间、润滑剂含量和表面微造型为输入量，摩擦系数和磨损量为输出量，建立了一个4×7×2的三层BP神经网络，通过网络模型对样本数据进行训练学习，然后用训练好的网络对涂层进行摩擦磨损性能的预测分析。研究结果表明：当温度在300℃~600℃时，磨损量和摩擦系数随着温度的不断升高而增大，但增长较缓慢，而当温度在600℃~750℃时，摩擦量和摩擦系数随着温度升高增长较快。在同一温度和同一WS2含量的情况下，不同微造型面的摩擦磨损性能从高到低依次是凹坑、菱形、平行、断纹。温度和表面微造型相同时，WS2含量为30%时的磨损性能要比WS2含量为20%时稍好一些。WS2含量为40%时，摩擦性能最差。当配方组合为润滑剂含量30%，表面微造型为凹坑时，涂层的摩擦磨损性能较好一点。通过三层BP神经网络的分析，预测结果和试验结果总体上拟合的比较好，预测结果所反映的规律和试验结果所反映的规律吻合，预测精度较高，因此所建神经网络模型可以对涂层摩擦性能进行预测分析。