随着激光加工技术在实体制造业中的深入发展，激光加工方法和工艺参数的组合模式越来越复杂，最优工艺参数的探索难度也越来越大。本文以如何能快速、准确、经济地寻找最优的激光工艺参数为目的，在研究反馈型神经网络(BackProragation，BP)和遗传算法(Gentic Algorithm，GA)理论的基础上，将二者改进、结合，应用于激光加工工艺参数的优化中，并实现了改进后形成的GA-BP混合算法计算机编程以及激光工艺参数优化软件开发。本课题中，主要的研究工作有以下几个方面:　　第一，介绍了BP神经网络算法和传统GA-BP算法的基本理论，并深入分析了它们在计算寻优过程中存在的缺陷问题。然后，本文在传统GA-BP算法的基础上，分别对其BP神经网络算法模块和遗传算法模块进行了改进，具体改进为:　　1) BP神经网络算法模块　　为了克服隐含层神经元在训练过程中因过早饱和输出而使整个训练过程失效，本文采用了一种新型的误差函数;本文还在输出层神经元的权值、阈值调整公式的基础上，添加了一个放大因子，目的是为了避免神经网络因训练停滞而导致权值、阈值不再调整;此外，相对与传统的“单样本训练”策略，本文采用的是“批量训练”的方法，因为这种方法更能客观地反映出样本数据间存在的关系。　　2)遗传算法模块　　传统的轮盘赌选择策略是基于染色体串适应度比来进行的，并不能体现被选中的染色体串机会均等的原则，因此本文采用了改进后的基于非线性排序的轮盘赌选择策略;为避免染色体串在交叉、变异操作过程中因遗传操作算过大或过小，而破坏原本良好的寻优收敛趋势，本文采用了自适应交叉率和自适应变异率;此外，为了进一步提高遗传算法的收敛速度，还在遗传算法中添加了“最优保存策略”和“爬山算法”。　　第二，采用C语言编程实现了神经网络模型结构可以动态调整的GA-BP算法和GA-BP混合算法，并通过温度控制下的激光淬火实验数据对神经网络模型进行训练来比较GA-BP算法和GA-BP混合算法的训练性能。经对比得出:改进的GA-BP混合算法的训练速度要明显优于传统的GA-BP算法，提高了约80％左右;并且，预测的激光工艺数据也较为精确，平均相对误差为2.035％，满足实际要求。这些，充分证明了改进的GA-BP混合算法的合理性和有效性。　　第三，为提高本课题研究成果的工程应用价值，本文根据人工神经网络处理数据的两个步骤——训练和预测，利用Labwindows/Cvi软件开发平台分别开发了两款配合使用的激光工艺神经训练系统和激光工艺预测客户端系统。并通过对两款软件的性能测试，证明它们能够满足大多数激光工艺参数的预测探索需求。