搅拌摩擦焊（FSW）的力学性能评估一直是人们研究和关心的重点,其中焊后接头硬度是评价力学性能的重要依据之一。然而,目前对于铝合金搅拌摩擦焊的硬度分析还不是很全面,特别是对于合金成分变化对力学性能产生的影响,以及焊接工艺参数和力学性能之间的直接联系还有很多值得探索的空间。本文通过神经网络模型直观的建立了输入变量与最终力学性能间的直接联系,详细研究了合金成分和工艺参数对力学性能的影响,这为搅拌摩擦焊的焊后力学性能优化提供了一定的理论参考。本文通过试验确定了铝合金板材的主要合金成分为Mg、Si、Cu、Fe、Mn和Al,为神经网络预测合金成分对力学性能影响提供参数选择依据,并为模型有效性验证提供数据支持。同时通过试验、文献查找以及析出相演化模型（PEM）的数值模拟构建了覆盖广泛、全面的神经网络数据集。本文运用MATLAB语言搭建了BP神经网络模型、RBF神经网络模型。通过4×10×1三层拓扑结构的BP神经网络模型探究了搅拌摩擦焊的工艺参数（搅拌头的旋转速度,横向移动速度,被焊接板材厚度以及轴肩直径）和搅拌摩擦焊峰值温度间的关系。通过BP神经网络模型研究发现搅拌摩擦焊的峰值温度随着搅拌头旋转速度的增加而增加,随着搅拌头横向移动速度的增加而降低,被焊接板材厚度以及搅拌头轴肩直径的增加均会导致峰值温度的升高,但轴肩直径的改变相较于其他三个因素对峰值温度造成的影响较小。通过RBF神经网络模型探究了合金成分变化对搅拌摩擦焊焊后力学性能的影响。本文还在数据集相同的情况下比较了BP神经网络模型和RBF神经网络模型的优缺点,比较结果发现在探究合金成分变化对力学性能影响方面,RBF神经网络体现出了更强的容错性和聚类性。通过RBF神经网络模型研究发现M、,Si、Cu合金元素的增加均会导致焊后屈服强度增加,Si元素含量的增加对屈服强度的影响更大,当Mg元素含量较高时,Si元素的增加可使屈服强度提高28.36%,但当Si元素含量较高时,Mg元素含量的增加只能使屈服强度提高4.69%。Cu元素只存在于固溶物中,因此仅通过改变固溶物中Cu元素含量来影响最终的屈服强度。但Fe和Mn合金元素的增加会促进化合物Al_x（FeMn）_ySi_z的生成,由于此化合物分子间结构较大不能直接参与屈服强度计算,且会和Si元素结合导致Mg₂Si含量降低,因此导致最终的屈服强度降低。