神经网络作为一种新的算法,广泛地运用于模式识别、优化等诸多领域。尤其在材料的性能预测、配方优化等方面,应用更为广泛。非石棉垫片作为一种新型材料的密封垫片,其配方往往影响其配方性能,且配方与性能之间的关系复杂,往往呈现非线性。如何通过神经网络对非石棉垫片进行性能预测与配方优化,是本文所要探讨的主要内容。本文从非石棉垫片的分类开始,对其分类进行了研究。采用“有监督”的概率神经网络(PNN网络)和学习矢量量化网络(LVQ网络)以及“无监督”的自组织映射网路(SOM网络)的分类方法,对非石棉垫片的分类进行了探讨,为未来非石棉垫片的分类起了一定的指导作用。非石棉垫片的性能一般是通过反复的实验将其测试出来,在实验测试中,由于一些原因,其测试出来的结果很有可能不准确,这时需要重新测试,这样就会浪费大量的时间。本文通过BP神经网络,将非石棉垫片的配方作为输入,性能参数作为输出,通过训练建立配方与性能之间的关系模型。由于BP网络预测的效果不理想,采用BP网络的改进算法对其性能进行预测,通过几种改进算法的比较,得出Levenberg-Marquart算法迭代次数较少,且结果很准确；共轭梯度算法中,Scaled算法和Poweii-Beale算法对非石棉垫片的预测比较准确。采用回归分析方法对非石棉垫片建立配方与密度、烧失量、强度之间的回归模型,为后续的非石棉垫片配方的优化奠定基础。最后通过MATLAB中的函数finincon和fgoalattain, LINGO软件、遗传算法分别对非石棉垫片的配方进行优化,找到了期望性能条件下的最优配方。其中,LINGO和遗传算法的误差很小。本文对非石棉垫片进行了仿真,通过对非石棉垫片进行性能预测和配方优化的研究,证实了设计的正确性,为非石棉垫片的分类、性能预测以及配方优化提供了相应的理论依据,为非石棉垫片的后续研究提供了相应的指导。