金属塑性变形抗力是钢铁加工过程中表征加工性能的一个基本量,为了制定合理的轧制工艺,我们需要精确的确定在任何不同条件下金属的变形抗力值。现在大多研究学者都利用计算机和数学模型相结合,采用多元非线性回归对实验数据进行处理,但是这样的方法过于复杂,不利于进行现场控制,而且也存在较大的误差。随着人工神经网络和群体智能优化算法的出现,它们体现出了强大的自适应学习能力和面对处理工程中高度复杂的非线性问题的优越性。诸多科学家正在尝试利用这些新的人工智能算法来进行变形抗力的预测。本文则基于BP神经网络模型,再加以粒子群算法的优化,建立一个可以成功预测高温变形下QP1180变形抗力的PSO-BP模型。根据BP神经网络的基本理论在成功验证其非线性函数的拟合能力后,加以本文提出的一种惯性权重随迭代次数增加而以非线性形式改变自适应调整的改进粒子群优化算法对BP神经网络的权值和阈值进行优化,通过这样的方式成功建立PSO-BP预测模型。利用建立的PSO-BP模型直接从通过实验获取的数据进行训练来建立温度、拉伸速率和应变与QP1180钢变形抗力的复杂非线性映射关系。通过检测样本的验证,预测出的测试数据预测值与实际数值误差评价为6.06%,基本可以满足我们的理论研究。再以此PSO-BP预测模型为基础分别对两组实验样本训练数据进行预测,再利用文中函数关系式对该两组实验数据进行拟合,取得结果利用Origin软件进行制图对比,可以发现神经网络的预测效果同拟合得到的效果一致,都可以揭示出变形抗力的变化规律。再以此模型为基础进行非样本数据的预测,得到在420℃和440℃下,拉伸速率分别为0.2和0.4时的预测结果,经过制图研究发现,这四条曲线的走势和变形抗力与影响因素之间的复杂关系都可以正确的反映出来,以一般理论规律是相一致的。经论文验证,该PSO-BP预测模型可以为我们在探究钢铁材料的高温变形下的变形抗力时提供可靠的理论研究辅助手段。