注射成形是塑料产品成形的最主要工艺,工艺参数是影响成形产品外观、尺寸与性能的关键因素之一。工艺参数的设置与优化属于弱理论、强经验的问题,迫切需要发展科学化、系统化的方法。注射成形工艺参数优化主要有实例推理、专家系统、基于代理模型的搜索等方法,但在工程应用中尚存在工艺知识依赖、优化效率不高及优化精度不足等问题。数据驱动的注射成形工艺参数推理模型有望突破工艺参数设置的应用瓶颈,本文对此展开重点研究,主要工作如下:针对现有工艺检索方法无法利用高维产品信息,实例检索匹配度低的难题,提出了基于压力曲线的成形过程信息表征方法,进一步基于变分自编码器的压力曲线降维对成形特征进行表示,将难以比较的高维曲线空间映射到统一的低维变量空间。120个产品上的相似度分类、检索案例结果表明,与简单成形特征和纯几何特征相比,成形实例的特征表示准确率从约73%提高到86%,工艺检索误差从15%降低到10%。针对产品缺陷修正中人工经验依赖性强的问题,构建知识的统一模糊化规则形式,建立工艺优化知识表示和推理于一体的Takagi–Sugeno–Kang（TSK）模糊规则网络模型。进一步,提出从工艺数据集自动发现工艺参数优化规则的学习方法,采用Dropout策略与Bagging集成学习策略缓解高维工艺数据下工艺知识库增长出现的规则数量爆炸等问题。分析了模糊规则网络参数、结构对知识表示和推理的影响,建立模型的参数学习与结构优化的双重进化方法。提出基于经验回放的工艺数据增量学习方法,建立数据的增量学习策略。基准数据集测试结果表明,方法在15个数据集上的平均推理精度比现有方法提高了约5%,规则可读性大幅提升。在注射成形工艺数据集上,规则数量和长度降低了50%,具有高可解释性以及增量学习稳定性。针对现有方法优化精度不足的难题,建立马尔科夫决策过程工艺精确优化模型,并采用仿真数据与代理模型融合,实现马尔科夫决策的工艺参数优化策略的强化学习。高精密光学镜片的成形实验结果表明,参数优化次数比传统专家系统降低约20%,满足了光学镜片±5μm的制造精度要求,过程能力指数提升约4倍。基于上述研究,开发出注射成形工艺参数智能系统原型。企业的10件产品应用案例表明,工艺参数优化成功率100%,推理次数平均为6～7次,比传统专家系统优化次数减少30%,过程能力指数是人工优化的约3.5倍。本文研究了工艺参数优化的推理模型,开发出原型系统,并进行了初步工程验证。研究成果对提升注射成形工艺水平以及其他领域成形工艺参数的设置与优化具有一定借鉴意义。