产品精密化、生产节能化与高效化是塑料注射成形发展的主要方向,成形过程的优化与控制技术是实现上述目标的关键点。人工智能技术尤其是自适应优化与学习控制近年来快速发展,为注射成形优化与控制提供了新的解决方案。本文研究自适应优化与学习控制方法,充分利用塑料注射成形过程的批次重复特性,提高成形精度与效率、降低成形能耗,主要创新如下:针对注射成形升温过程中存在的升温时间长、温度超调大的问题,提出了快速升温过程的料筒温度精确控制方法。针对从常温开始一次升温过程,提出了基于历史数据的预测控制方法;针对从高温状态开始二次升温过程,在预测控制方法的基础上,提出了采用前馈补偿控制与预测控制相结合的控制策略。实验结果表明,与传统的控制方法相比,在一次升温过程中所提方法可以减少约50%的温度超调量,缩短升温过程的时间超过20%;在二次升温过程中,能够缩短整个升温过程的时间60%以上,且最大温度超调比传统控制方法降低85%以上。针对动态塑化过程中温度控制波动大,最终成形产品一致性差的问题,提出了动态塑化过程的熔体温度精确控制方法。设计了一种全新的动态自适应温度补偿控制器,首先提出了一种基于数据的动态补偿时间自学习方法,实现补偿时间的自动计算,进一步提出一种基于深度强化学习的动态补偿控制量的自学习方法,实现了对补偿量的精确控制。实验结果表明,所提的控制方法可以有效地降低温度波动,最大的温度波动只有±0.5℃,要明显优于传统PID控制方法（±4.5℃）和广义预测控制方法（±2.5℃）。同时注射成形产品的一致性也得到了显著的提升,产品重复精度小于0.3%,显著优于PID控制方法（约1%）和广义预测控制方法（约0.7%）。针对传统基于工艺参数优化的质量控制方法中,过度关注质量而忽视了成形能耗的问题,提出了成形能耗最优的塑化过程自适应优化方法。在深入分析了注射成形过程中工艺参数与能耗关系的基础上,提出了一种采用注射压力表征熔体塑化质量的评价准则,在此基础上进一步提出了一种采用Sarsa学习的参数优化方法,实现了成形过程能耗的有效降低。实验结果表明,相比于传统的由人工获得的工艺参数,所提方法可以降低单位物料能耗约10%,同时所提方法可以很好地保证熔体的塑化质量,以及最终成形产品的质量。针对开模运动控制中存在的效率低,定位精度差的问题,首先提出了一种采用深度Q学习的运动轨迹自规划方法,获得最优的开模运动轨迹;进一步设计了一个迭代学习控制与反馈控制相结合的轨迹跟踪控制器,实现了对自规划得到轨迹的准确跟踪。结果表明,在保证机构运动稳定性的同时,所提方法可以减少开模过程所需时间在35%以上。当存在重复扰动和非重复的随机扰动的情况下,所提方法仍可以实现对运动轨迹的准确跟踪,开模定位的平均绝对误差小于0.1 mm。实现了所提塑料注射成形自适应优化与学习控制方法的集成应用,并进一步验证了所提方法的有效性。为了实现本文提出的塑料注射成形过程自适应优化与学习控制方法的集成应用与效果验证,针对伊士通及华中数控注射机控制系统,分别提出了相应的集成方案,并在博创、震雄等注射机上实现了示范应用,与此同时,通过不同机器上的多个应用案例验证了本文提出方法的有效性。