高功率密度和高效率的电工装备在电力牵引系统以及工业领域中一直占有重要的地位。然而磁场、温度场、结构力场的相互耦合作用的现象在电工装备的设计、制造和运行过程中广泛存在。因此,在考虑应力与温度耦合作用的条件下,准确模拟旋转磁化下铁心的磁滞特性是高功率密度电机优化设计的前提和基础。为了更为准确的模拟在考虑温度与应力耦合作用下电工钢片矢量磁滞特性,本文提出了一种基于并行策略的改进back-propagation(BP)神经网络的磁特性模拟方法。为了保证训练数据的全面性,并且减少获取训练数据所花费的试验测量成本,本文对试验设计方法进行研究,引入均匀试验设计来选取训练数据,使用试验室自主研发的应力与温度作用下电工钢片矢量磁特性测量装置测量模拟方法需要的训练数据。为了表征在应力与温度作用下电工钢片的矢量磁特性,本文选择使用“黑匣子”方法,抛开复杂的物理现象与繁琐的数学计算,使用BP神经网络模拟应力与温度作用下电工钢片的矢量磁滞特性。为了弥补传统的BP神经网络的缺陷,本文将粒子群算法与神经网络相结合,并在粒子群算法中融入BP神经网络的误差反向传播机制,提出了一种基于误差反向传播机制和粒子群优化算法(Particle swarm optimization,PSO)的神经网络学习算法。为了使PSO-BP学习算法的训练时间最大限度的缩短,保证学习算法的收敛精度,本文在学习算法训练过程中,引入了并行策略的思想,将整个神经网络训练系统的输出进行了拆分,采取空间换取时间的方式,缩短了训练时间。最后,为了验证所提出PSO-BP学习算法的模拟精度,本文分别使用BP神经网络,基于PSO训练神经网络以及PSO-BP学习算法模拟应力与温度作用下电工钢片的矢量磁特性。对比三种建模方法的模拟精度,发现使用本文提出的基于PSO-BP学习算法矢量磁滞模型具有更好的泛化能力和学习能力。