镁合金作为轻量化的结构金属材料,被广泛应用于航空航天,新能源汽车,通讯设备等领域。但是镁合金的硬度低、耐磨性和耐腐蚀性较差,在高强度工作环境下,工件易发生疲劳损坏。对镁合金工件进行超声滚压强化,诱发表面严重塑性变形,可以提高工件的表面质量和力学性能。同时,塑性变形引起的工件直径缩小量会影响装配时零件的配合关系。因此,基于超声滚压参数和压缩形变量数据,构建形变量预测模型,并根据期望的形变量,构建工艺参数寻优模型,对于减少实验工作量,获得尺寸偏差要求严格的工件具有重要意义。本文将AZ31B镁合金作为实验材料,以进给速度、静压力、滚压次数和超声振幅作为实验因素,设计4因素3水平共81组超声滚压加工全面试验,并通过万能工具显微镜测量滚压前后镁合金试样的直径,所得直径差作为不同参数组合加工产生的塑性压缩形变量。通过训练集数据,构建BP神经网络形变量预测模型,通过测试集数据对所构建模型进行检验,发现形变量预测值与实验值之间的绝对误差在0.04～4.94μm间变化,相对误差最大达到25.78%,模型的误差较大。说明单一BP神经网络构建的形变量预测模型虽然具有一定的预测能力,但预测精度并不理想。为了提高模型的预测精度,分别采用遗传算法（GA）和思维进化算法（MEA）对BP网络的权值和阈值进行优化,得到GA-BP和MEA-BP网络预测模型。通过研究单一BP、GA-BP和MEA-BP网络预测模型的平均绝对百分误差（MAPE）、均方根误差（RMSE）和决定系数（R~2）,发现利用单一BP网络模型预测形变量时,MAPE、RMSE和R~2分别为8.32%,2.34和0.934;利用GA-BP网络模型预测形变量时,MAPE、RMSE和R~2分别为2.20%,0.683和0.993;利用MEA-BP网络模型预测形变量时,MAPE、RMSE和R~2分别为1.73%、0.474和0.997。三种模型中,MEA-BP网络预测模型的MAPE和RMSE均最小,而R~2则最大。因此,采用MEA-BP网络模型作为超声滚压加工镁合金的形变量预测模型,获得加工参数与形变量之间的非线性映射关系。基于MEA-BP预测模型的映射关系,结合GA,提出MEA-BP-GA参数优化模型,对期望形变量所对应的加工参数进行寻优。通过对目标形变量（10、25和40μm）进行参数寻优和实验验证,发现对应的实际滚压形变量分别为11.3、23.7和39μm,相对误差分别为13.00%、5.20%和2.50%,说明MEA-BP-GA模型用于镁合金超声滚压参数寻优是可行的,且期望形变量越大,相对误差越小。最后根据预测模型和参数寻优模型,基于MATLAB的GUI模块,构建了形变量预测和参数优化系统,实现了参数的双向预测。