涡轮盘是航空发动机上具有关键特性的核心部件,承受着高压、高温和高转速工作环境下的复杂循环载荷作用,其制造性能将直接影响发动机和飞机的可靠性和使用寿命。涡轮盘一般采用GH4169高温合金锻造而成,其锻造工艺要求是极为苛刻的,但目前涡轮盘制造过程中仍然存在数字化智能化程度低以及人工经验依赖性强等问题,导致制造性能无法准确的衡量和控制,甚至出现不合格品。因此,本文以GH4169合金涡轮盘为研究对象,研究涡轮盘制造性能参数的主要影响因素,并分析涡轮盘制造性能参数间的关联机理实现参数约简;提取不同制造性能参数下的最优特征子集,进一步对涡轮盘制造性能预测及工艺参数优化进行深入研究,将对后续工艺改进控制生产质量以及降低制造成本具有重要意义。主要研究内容和工作如下:（1）针对涡轮盘制造性能参数繁杂且影响因素不明的问题,利用改进的K近邻密度峰值聚类方法（KNN-DPC）实现涡轮盘制造性能参数聚类约简,在保证制造性能完整表达的同时提取出较少的制造性能参数,可有效降低后续建模复杂度;通过因子分析法从若干个制造性能参数中提取出不同主成分贡献率加权后的综合因子得分,实现GH4169合金涡轮盘的整体制造性能评估;最后,利用Pearson相关系数法对制造参数与不同制造性能参数之间的相关性进行分析,得到单一制造性能参数和整体制造性能的主要影响因素,为涡轮盘制造过程的关键参数管控提供了理论帮助。（2）针对现阶段涡轮盘制造性能预测大多是根据经验来选取特征参数进行建模所导致的模型复杂度高、精度低等问题,以及现有特征选择算法存在无法有效提取全局较优特征子集的不足,提出了基于差分进化与多目标邻域学习的二进制灰狼优化算法（IDE-BGWO）用于筛选与涡轮盘制造性能参数相关的最优特征子集。不仅能够为后续性能预测建模提供特征区分度更高,特征间的冗余度更低的特征信息,还能实现较高特征降维率的同时获得最优的模型精度。为了验证该方法的有效性和稳定性,还提出了精度指标（Avg R2）、稳定性指标（Avg loss、Best loss、Worse loss）以及特征降维率指标（Avg Selected）等一系列特征选择性能评估方法用于与不同特征选择算法进行对比。（3）针对涡轮盘锻造工艺参数优化具有经验依赖性强、可靠性差等问题,以及涡轮盘制造过程数据具有非线性动态、高维的特点,提出了一种基于K-means与Bagging策略随机森林模型的事前锻造工艺参数优化模型。其中K-means将历史锻造工艺参数区间进行了划分,而基于Bagging策略的随机森林模型通过结合多个基础决策树以形成强学习器,相比起单一机器学习模型具有更好的预测优化效果和稳定性。针对现有涡轮盘制造性能预测建模方式存在泛化性差、稳定性低等问题,提出了一种基于IDE-BGWO-RF的涡轮盘制造性能预测方法,其中IDE-BGWO得到强区分度的特征子集后,同样采用了Bagging策略随机森林模型进行建模,避免了传统建模方法稳定性差、精度不高的问题;为了进一步分析误差区间内的制造性能预测可靠性,还提出了一种误差区间预测可靠性评价方法（EIC）,避免了预测结果受随机扰动误差的影响。