摩擦学表现出的摩擦磨损性能强烈的系统依赖和不可移植性以及过程的时变特征。任何摩擦磨损试验结果都是在某一特定的条件下代表此特定系统的特性。因此，将摩擦学知识应用于设计，达到摩擦学最小摩擦功耗、与摩擦行为相关的必要的可靠性、合适的使用寿命、最低制造和运行维护成本的设计目标，必须要解决两个方面的问题，首先，要研究解决系统特性转化的方法和理论，从而实现一种系统条件下获得的特性可以转化到另一种系统条件下应用。其次是要研究已积累的摩擦学特性数据。成熟摩擦学系统条件转化研究，使摩擦学数据库不是一堆静止相互孤立的数据而达到真正的工程上应用成为可能。本文应用人工智能中的神经网络和遗传算法较成功地解决了摩擦学系统的转化问题，并通过实例具体说明了转化方法。 本文的主要研究成果体现在如下几个方面： (1)建立了摩擦学系统部分条件下影响参数之间的神经网络泛函数关系程序。针对摩擦学试验数据设计了适合的神经网络模型。 (2)利用神经网络的自学习能力、非线性逼近能力、自联想能力等，通过有限的试验数据来联想推测非试验数据，从而实现不同的摩擦学系统之间的特性转化。 (3)研究了可根据人机互动输入条件下的子神经网络泛函数的自行产生，从而保证了任意输入条件下的仿真结果的连续输出。 (4)研究了遗传算法，并提出了一种有效的改进的遗传算法即定向遗传算法用于训练神经网络。大大提高了神经网络训练速度和精度。 (5)设计了MATLAB神经网络编程语言及VISUALBASIC界面编程语言的接口程序，实现了MATLAB的后台计算与计算结果的VISUALBASIC实时可视化输出的无缝集成。 (6)初步建立了小型模拟摩擦学试验室并制成操作性简便的软件，可以实现基于神经网络的摩擦学试验数据库多输入多输出条件下复杂的实时查询，这是用其它数学的方法所不可能达到的。在摩擦学设计的人工智能化研究方面作出了有益的探索。