氧化铁黄颜料耐热性较差,在塑料加工和卷材涂料中的使用受到较大的限制。本文用氧化铁黄作为前驱体材料,采用拼混、单层与多层包覆等手段对氧化铁黄进行表面包裹提高其耐热性能。通过改变反应的时间、温度等核心因素,确定了最理想状态下的包覆反应条件。通过化学实验手段进行常规的颜料制备和色差测试,费时且费力,对于开发耐热铁黄颜料产品而言准确率较低。氧化铁黄生产企业亟需一种人工智能手段快速高效自动求取包覆铁黄的耐热色差值,而神经网络技术（BP）可以实现对氧化铁黄颜料耐热性进行快速、高效的测试。主要研究内容和创新点如下:（1）本文以氧化铁黄为前驱体,采用磷酸钙液相沉淀方法包覆氧化铁黄提高其耐热性能。通过改变反应时间、反应温度等因素,确定了合适的包覆反应条件。采用粉末X射线衍射（XRD）、热重差热分析（TG-DTA）、红外光谱（FT-IR）、扫描电子显微镜（SEM）等对合成的包覆颜料微观结构进行表征。结果可得,在氧化铁黄表面包膜了一层无机磷酸钙膜,包覆层呈无定形状态。实验获得了最佳反应条件为反应温度50℃,搅拌时间5小时。磷酸钙包覆型氧化铁黄颜料与磷酸铁混合后,通过磷酸铁受热补黄机制,根据耐热理论色差公式推导得到最佳的磷酸铁混合比例,可有效地改善包覆型氧化铁黄颜料的耐热性。（2）基于BP神经网络,实现了单层磷酸钙包覆氧化铁黄颜料260℃下色差的快速精准预测,再结合遗传算法期望降低BP神经网络预测的偏差,同时提高预测的精度。将遗传算法优化后的BP神经网络（GA-BP网络）应用到单层磷酸钙包覆氧化铁黄颜料的耐热色差预测中,通过比较单层磷酸钙包覆氧化铁黄颜料260℃下耐热色差预测值与实验值之间的差异来评价神经网络方法的可靠性。最后对多层包覆的氧化铁黄颜料使用优化后的模型进行预测,预测结果表明:GA-BP神经网络色差值预测模型的性能较优,其预测相对误差均在10%左右,基本满足实际包覆铁黄颜料产品研发生产的需要。综上,GA-BP神经网络可实现包覆铁黄颜色的预测,实现了实验工艺参数的快速验证。为包覆型氧化铁黄颜料的研发生产提供了一种新的方案,为神经网络对氧化铁颜料色差精确预测奠定了基础。