本文采用丁二酰亚胺无氰镀银体系,通过电沉积技术,在纯铜基体上制备了纳米银层。通过研究电沉积条件对纳米银电沉积层的影响,探讨了纳米银的电沉积机理并优化了电沉积工艺条件。本文构建了三种人工神经网络（ANN）,反向传播神经网络（BP）、基于BP的遗传算法（GA-BP）和极限学习机（ELM）来预测银电沉积层的光泽度和电沉积过程中的电流效率,并与实验结果进行了对比。结果表明,ELM具有极高的效率,时间需求远小于BP和GA-BP,样品数据足够时也能得到很高的准确性。GA-BP仅需少量样本数据作为基础,即可实现高精度预测,因此对样本数的需求较低,并且准确性比简单BP更高。对于纳米银膜的电沉积,学习过程的精度顺序为ELM＞GA-BP＞BP,类比能力的顺序为GA-BP≈BP＞ELM,所需时间的顺序为GA-BP＞BP＞ELM。利用平均影响值（MIV）分析来探索每种参数对三种人工神经网络的影响。结果表明,光泽度和电流效率主要由电流密度和基体光泽度的控制,但具体哪个参数起着关键作用尚不明确。研究了pH和电流密度对丁二酰亚胺无氰镀银的影响。采用电化学阻抗谱（EIS）分析了p H对银电沉积层与电沉积液之间电化学结构和电化学过程的影响。通过循环伏安法（CV）对不同p H值电沉积液的可逆性与电沉积过程进行了表征。在本文所述的电沉积体系中,银的电沉积过程是不可逆的。在p H=9的电沉积液中得到了最高的极化率,其原因是由于丁二酰亚胺的水解和NH3的形成。XPS分析表明,在不同p H值的镀液中银离子价态均为单一的正一价。通过计时安培法（CA）研究了在-0.4 V至-0.7 V范围内的不同沉积电位下银的形核过程,并通过与Scharifker-Hills（SH）理论模型进行比较,得出镀液中银的形核模式更趋近于瞬时形核。早期形核的显微图像证明了形核是不连续的并且各形核点间存在相互干扰。在0.4至0.7 A/dm~2的电流密度内进行电沉积获得纳米银膜。通过扫描电子显微镜（SEM）观察到的微观结构表明,随着电流密度的增加,由于瞬时形核和形核受到抑制,导致晶粒尺寸异常增加。电流密度在0.4 A/dm~2时,得到了晶粒尺寸最小的纳米银电沉积层。