水辅助注塑技术是近年来为了克服传统注塑的局限性，继气体辅助注塑后而迅速发展起来的一种新的注塑技术，是塑料加工业的又一次革命。水辅助注塑技术利用高压水实现保压，能消除气体辅助注塑中一些无法解决的制品缺陷，提高制品的性能，因此水辅助注塑具有气体辅助注塑工艺无法比拟的独特优点。 尽管水辅助注塑具有其独特优点，但由于其引入了高压水注射，使过程更为复杂，更难设定其工艺参数，而工艺参数的设定不当会生产出带有缺陷的制品。因此，合适的工艺参数及其有效控制是防止制品产生缺陷、提高制品性能的关键。神经网络等智能算法可以完成复杂系统的建模并进行工艺参数的优化设定。本文首次把遗传算法与LMBP(Levenberg Marquardt Back Propagation)神经网络相结合的智能算法引入水辅助注塑，进行过程建模的研究。这无论对于水辅助注塑过程最优控制，还是提高水辅助注塑制品性能方面都具有较大的意义。 本文首先对BP神经网络和遗传算法的优缺点进行分析，提出了采用遗传算法与LMBP神经网络相结合的改进策略，充分利用两者的优点，使新算法既有神经网络的学习能力和鲁棒性，又有遗传算法的全局随机搜索能力。而后利用新算法学习建立水辅助注塑制品壁厚与工艺参数(熔体温度、注水压力、注水延迟时间和熔体注射量)和材料牌号之间关系的逆向神经网络模型，用它来预测相应的工艺参数。 其次，针对水辅助注塑过程特点和对注水压力的控制要求，本文在分析常规PID控制的基础上，提出采用模糊逻辑与PID控制相结合的模糊PID控制策略，充分利用两者的优点，使新算法既具有PID控制的可靠性和快速性，又具有模糊控制的鲁棒性高和适应性强等优点。将该策略成功的应用于水辅助注塑注水压力的搓制，实验结果表明，即使存在扰动的情况下系统都具有良好的动、静态特性。