该文通过对液态挤压工艺的实验研究,分析了液态挤压工艺的特点,确定了该工艺过程中的主要影响因素,并通过对大量的实验数据进行分析,建立了实验样本集.利用基于神经网络的液态挤压工艺系统模型,成功地建立了液态挤压变形力和加压前停留时间知识库.在对该模型的实验验证上,利用得到的知识库,对液态挤压工艺进行了测试,结果表明利用该知识库,可以实现对液态挤压关键工艺参数的预测,以指导实际生产应用.在对反向传播神经网络进行深入研究的基础上,探讨了传统算法所存在的不足,引入一种新的BPGA改进算法,通过对算法的比较,揭示了改进算法可以大大加快网络的收敛速度.在网络的学习训练过程中,研究了学习率、动量因子和隐层单元节点数等网络结构参数对网络性能的影响.同时,该文自行开发了一套基于神经网络与基因遗传算法相结合、集建模、预测、优化为一体的液态挤压工艺应用软件,并编制了基于Windows标准的接口软件,实现了该工艺的软件程 序可视化,为液态挤压工艺的实际应用和智能控制奠定了基础.