结构层回弹模量是评价路面强度的重要指标之一。回弹模量与弯沉盆之间存在高度的非线性映射关系。理论上,回弹模量可以由弯沉盆数据反演计算得出。然而,模量的反演计算具有多变量、非线性等特点,是一项困难的工作。由于神经网络处理非线性动态数据的能力较强,同时越来越多的学者认为弯沉盆的几何参数在路面强度评估中有着不可或缺的补充作用,因此本文对比了一些常用的神经网络结构,选择其中最适合的结构并加以优化,通过贝叶斯正则化算法确定训练参数的迭代方向。以弯沉盆的各种几何参数为特征变量,将这些参数转化为综合主成分特征。为了使特征具有较强的可识别性,根据特征变量和目标变量的数据特征进行函数变换,改变输入参数和输出参数的空间分布,以优化建模效果。针对各个结构层回弹模量反演计算难度不同的情况,设计了逐层反算模式,先反算对输入变量最为敏感的土基模量,再将土基模量也作为输入参数之一,进而反算面层和基层的回弹模量。以神经网络预测的模量值作为初始理论值,对理论值进行调整迭代,直至正算得到的理论弯沉值接近实测值。试验结果表明,BP网络具有良好的拟合能力,贝叶斯正则化可以提高神经网络的泛化能力。弯沉盆形状参数作为输入变量的效果优于弯沉值,特征变换方法可以显著减小反算误差,逐步反算模式可以在一定程度上优化反算效果,正算迭代法可以对神经网络预测的理论模量做出有效调整。试验方法为提高模量反算精度提供了新的思路。