碳纤维是上个世纪五十年代末异军突起的一种新型的工程材料,它具有理想的工程特性,比如：高强度、高模量,被广泛应用于各行各业,成为一个国家军事、工业和经济等方面的重要影响因素之一。由于我国的碳纤维生产起步较晚,与先进国家生产的碳纤维在性能上具有较大的差距,对其生产过程优化开展研究,具有深远的意义。基于碳纤维纺丝生产线本身流程长,生产环境复杂,影响因素众多,各个环节之间的生产参数又相互耦合,将协同机制及生物机理引入其中,采用人工智能算法对碳纤维的纺丝过程进行建模与优化,对碳纤维的实时生产监控,提高碳纤维产品性能,可以提供相应的指导作用,具有一定的参考价值。本论文的具体贡献归纳如下：(1)以聚丙烯腈基碳纤维的六级牵伸过程为例,通过对搜集整理到的实验数据进行曲线拟合,研究了具有代表性的若干产品性能与牵伸参数之间的相互关系,给出了一个可供参考的碳纤维牵伸过程数学模型；设计了一种具有协同机制、克隆选择和非一致性变异三个主要操作的协同免疫克隆选择算法来解决碳纤维六级牵伸牵伸比分配这个多目标优化问题；由本论文所提算法获得的优化结果可以对碳纤维的实际生产提供一定的参考价值,所提算法也同样可以运用到类似的多目标优化问题中去。(2)以聚丙烯腈基碳纤维的原丝预氧化过程为例,建立了一个基于父代保留策略的免疫遗传加强BP神经网络预测模型,从预氧化过程的生产参数即可以提前评估出碳纤维预氧丝的性能。基于现有的实验数据,通过与已有的碳纤维预氧丝性能预测模型进行比较,结果表明,我们所提出的模型在性能预测方面具有更好的精度,并且能够更加快速的给出预测值,是一个更加可靠的预测模型,能够更好地为碳纤维原丝的预氧化过程提供相应的指导与参考。(3)我们提出了一个基于遗传-加强粒子群混合算法的神经网络(GA-IPSO-RNN)的聚丙烯腈基碳纤维纺丝生产过程双向优化模型。我们先用最近邻聚类算法确定径向基函数神经网络的隐含层所包含的神经元个数,然后提出一种遗传-加强粒子群算法来调整径向基函数神经网络的各个参数：作用函数及权重。通过这个模型,我们一方面给出了一种碳纤维产品性能预测的方法；一方面为新型碳纤维产品的生产方案设计提供了参考。这种新的基于遗传-加强粒子群混合算法引入到径向基函数神经网络中去,它们的结合使用,在一定程度上,推动了人工智能的发展；通过所设计的碳纤维纺丝生产过程双向优化模型,我们可以初步实现对碳纤维纺丝生产过程的在线监控与控制,实时预测碳纤维的产品质量,及时修正碳纤维生产的参数,避免造成较大的经济损失；同样的,基于设计的碳纤维纺丝生产过程双向优化模型,可以在新型碳纤维产品投出生产之前,提供一种或若干种基本符合我们所期望的产品性能的参考生产方案,为实际生产提供一些指导和帮助,防止直接投入大规模生产而引起的时间及金钱上的浪费。最后,对全文的研究内容进行了总结,对其中的不足进行了讨论,对下一步的研究方向提出了建议。