计算反求方法可以对复杂结构中难以确定的内部特性和外部环境参量进行反求,为诸多实际工程问题提供了有效的解决手段。然而,实际工程问题往往十分复杂导致计算规模较大,而且很多参量反求问题往往是不适定的,病态的系统核矩阵和测量响应中的噪声会严重影响反求的精度和稳定性。基于人工神经网络良好的非线性映射能力和全局收敛性,刘桂荣教授从物理模型和数据模型的特点出发,提出了双向喇叭神经网络直接权值反求理论,利用充分训练后的正问题神经网络推导得到具有参数识别能力的反问题神经网络,避免了反问题神经网络的训练,大大提高了计算反求的效率。然而,该方法在对正问题的权值矩阵进行广义逆处理时,需引进正则化参数提高其抗噪性和求解的稳定性。如果正则化参数选取不当,将直接导致反求结果严重偏离真实值。本文针对双向神经网络计算反求理论展开系统的研究,力求在克服该方法求逆时系统和函数的病态性方面做出一些卓有成效的尝试和探索。以下为本文主要研究内容:（1）提出了双向筒子神经网络计算反求方法。将正、反问题神经网络中每层神经元的个数设为与待求参数的个数相等。当正问题模型的输出响应多于待反求参数时,用主成分分析进行降维保证输出响应信息的损失尽可能少。该方法充分利用了方阵可直接求逆的特点,有效规避了反求时正则化项的引进,从而克服了双向神经网络系统和函数的病态问题。（2）提出了用正问题神经网络作为代理模型训练反问题神经网络的方法。将训练好的正问题神经网络作为正问题求解器生成反问题神经网络的训练数据。训练反问题神经网络所需的样本比训练正问题神经网络所需的样本越多,该方法的计算效率越高。（3）开展了基于双向神经网络的复合材料参数反求。建立复合材料层合板的准静态数值模拟实验,以该实验得到的结构响应开展基于双向喇叭和筒状神经网络的材料参数反求,并与直接训练反问题神经网络的方法和（2）中所提方法进行比较,该方法反求精度最高且效率提高超过40%。（4）研究了提高参量敏感性的方法和策略。通过调整结构的边界条件及加载策略来提高参量的敏感性,该方法对原本不敏感参量的敏感性提高最为显著。