霍尔推力器（Hall Thruster,简称HT）作为航天事业的动力装置,它的发展将影响我国航天事业的发展,而低频振荡是HT在轨运动的固有属性,振荡时,电压会随着回路电流的变化而发生较大变化,这对航天器电源有破坏作用。HT在轨工作时,放电通道的形貌会随时间推移加剧侵蚀,因此研究通道壁面侵蚀来了解低频振荡的物理机制从而预测HT的寿命问题有重要意义。近年来,神经网络因其更好的计算能力、更优秀的算法在各行各业迅速崛起,各个领域建立神经网络模型进行分类或者预测,鉴于其良好的预测能力,可建立不同算法的神经网络模型预测HT内部一些难于测量的参数。本文采用一维准中性流体模型,构建动态仿真平台,了解HT在轨工作的动态特性,仿真过程中,可以看到放电电流和放电电压随时间变化的趋势是相反的,也可以观察到电场强度、原子密度、离子密度等参数随时间和空间的变化情况。为打破壁面侵蚀和放电电流低频振荡的确定性关系,对流体模型进行改进,加入扰动,通过改变横截面积研究通道壁面侵蚀对低频振荡的影响,发现放电低频振荡的频率和幅值等参数都会随横截面积的改变发生变化。根据低频振荡的信息对放电通道壁面侵蚀进行信息反演,预测壁面侵蚀的情况。将通道出口处的壁面侵蚀情况作为研究对象,共收集491组样本数据,利用平滑去噪的方法对样本波形进行处理,将去噪前后的训练结果进行比对,发现样本经过去噪后能建立效果更好的模型。对于通道壁面侵蚀情况的预测,本文建立了神经网络非线性模型。建立Elman神经网络,研究了隐藏层节点数、训练函数以及训练次数对模型的影响。与BP神经网络、RBF神经网络进行比较,结果发现Elman神经网络算法训练结果误差小且稳定,多次预测的效果一致,其中均方根误差、平均绝对误差以及平均绝对百分比误差分别是0.0084,0.0637,0.045%。最后进行地面试验,进一步验证Elman神经网络可以预测壁面侵蚀的情况。