行人保护性能是汽车安全性能的重要组成部分,而引擎盖在行人保护中扮演着重要角色。在汽车引擎盖的开发过程中,不但要考虑模态和刚度性能,同时要兼顾对行人造成的伤害。利用有限元仿真计算汽车对行人头部伤害,需要计算很多个冲击点的仿真结果,虽然模型不复杂,但是重复工作很多、计算量大。深度学习作为当前的热门工具,对于相似程度高、计算量大的问题具有很强的处理能力,目前已经在图像识别、语音识别等领域取得了成功。本文基于深度学习理论,构建一个预测行人保护头碰有限元仿真结果的深度学习模型,无需进行有限元仿真求解,便可预测仿真结果。首先建立详细的行人保护头碰有限元模型,依据C-NCAP2018给出的试验方法,确定所有的儿童头型冲击点,然后进行有限元仿真计算。仿真计算完成之后,改变引擎盖内外板的材料和厚度等参数,再次进行仿真计算,如此重复多次该操作,得到了三千多个冲击点的仿真结果,这些仿真结果将作为深度学习模型的训练依据和验证手段。以卷积神经网络为基础构建基于tensorflow框架的深度学习模型,把仿真数据处理成深度学习模型能读取的形式,作为深度学习模型的输入训练深度学习模型。经过八十万次训练,得到了一个精度较高,预测较准确的深度学习模型。最后挑取随机数据对该模型进行测试,检测该深度学习模型的泛化能力。Tensorflow可视化工具显示,测试数据集中预测值与实际值误差小于5的概率约为52%,平均绝对误差为6.4,而测试数据集的HIC值平均数为683,相对误差小于1%,表明该深度学习模型有较好的预测性能。随机挑选20个与训练无关的数据验证了深度学习模型的泛化能力。最后对比了深度学习和直接仿真分别花费的时间,获取一组完整结果的情况下深度学习花费的时间只要直接仿真的五十分之一,获取多组结果时这个比值会更低。因此,该深度学习模型具有良好的预测能力,同时能大大节省优化时间,可用于车辆的引擎盖优化工作。