薄板冲压成形是一种非常重要的制造技术，在汽车、航空、电器和国防等工业都有广泛的应用，薄板冲压工艺与模具设计则是薄板冲压成形技术的关键。在工程实际中，薄板冲压工艺与模具大多凭经验设计，或借助CAE技术对设计方案进行验证。本研究则将薄板冲压工艺与模具设计视作一个反问题，即已知零件的形状尺寸和预期成形质量，反求工艺参数、模具参数和板料毛坯形状等，开展了薄板冲压成形反演问题的反演方法及应用研究。本文对常用的参数反演方法——神经网络方法进行了较为深入的研究，针对如何设计神经网络的结构，提高其泛化能力的问题，提出了三种基于泛化的多层前向神经网络的结构设计方法，并将其应用于拉延筋几何参数反求、冲压件的毛坯反求、变压边力反求等典型的薄板冲压成形反演问题中，通过反演计算快速得到可行的或者指导性的薄板冲压工艺与模具设计方案。 本研究的主要创新点包括以下几个方面： (1)综合运用泛化能力的多种改进方法，即交叉测试法和最优停止法、在测试样本中增加少量的高斯噪声，在网络性能函数中添加Gauss先验分布的正则化项等方法，来提高网络的泛化能力和鲁棒性。 (2)从神经网络结构的全局优化的角度，针对常用的隐层结点激活函数为S形函数的多层前向神经网络，开展了遗传算法在神经网络结构设计中的应用研究，提出了一种基于改进遗传算法IP-μGA(a modified micro genetic algorithm with the strategy ofIntergeneration Projection)的多层前向网络结构优化设计方法(Structure optimization of multilayer feedforward network using genetic algorithm，简称SOMFNGA)，编制了相应的计算程序。在SOMFNGA方法中，运用改进的遗传算法IP-μGA搜索与给定样本相适应的多层前向网络结构，其间综合运用网络泛化能力的多种改进方法以及快速搜索机制确定学习速率、动量系数、跳跃因子和正则化系数的方法，对解空间中个体对应的网络结构进行训练。数值算例结果表明，运用SOMFNGA方法设计的神经网络不仅具有较好的训练精度，而且具有较强的泛化能力和鲁棒性。以某车型前地板角支撑板的拉延工序为例，运用SOMFNGA方法研究了给定冲压件成形效果衡量指标反求拉延筋几何参数的方法。该方法的实际应用效果表明，反求得到的设计方案对于实际应用具有重要的指导意义。与此同时提出了基于初始训练样本集的渐进式局部密化样本点的样本设计方法，研究结果表明该方法可加快神经网络设计进程，提高网络计算精度。 (3)从构造的角度，针对常用的隐层结点激活函数为S形函数的多层前向