形状记忆合金（SMA）丝凭借着优异的材料特性,被越来越多的用于制造各种线性执行器。SMA丝有着体积小的特点,可以被用于相机模组等空间紧凑的设备中,但过多的传感器会挤占大量的有效空间。当对SMA丝施加电激励信号时,SMA丝的电阻会受到自身电阻率、长度和横截面积等因素的影响而变化。通过对相变过程中的电阻值进行检测,可以反映SMA丝执行器的运动状态,这一特性也被称为SMA丝的自感知特性。在负载一定的情况下,可以通过SMA丝的电阻变化预测执行器的位移输出;在位移恒定的工况下,可以通过SMA丝的电阻变化情况区分不同刚度的夹持件,并对夹持件的刚度进行预测。这些研究可以在不借助外部传感器的情况下监测SMA丝的工作状态,节省设备空间,有助于SMA丝在工程应用上的简单化与轻量化。本文的主要研究内容如下:1.对相变动力学方程提出简化,联立本构方程提出了一种定长热循环条件下的简单温度应力模型。再结合热力学方程,建立关于电压-温度-应力关系的理论模型,并通过实验验证了该模型的准确性。在该工况下,提出并验证了基于SMA丝振动时的自由响应频率估计SMA丝执行器应力的有效方法。2.针对恒载工况下的电阻变化,提出了一种全新的基于电阻的相变检测方法。该方法对已有的检测方法进行了改进,增加了对异常值的规避处理,同时可以支持多种形式的电激励信号下的相变检测,在一定程度上增加了相变检测方法的鲁棒性。这一方法可以很好的通过电阻及电阻变化趋势反映SMA丝的相变状态,检测到相变起止点,并能很好的区分出热平衡点与相变结束点,这有助于开启SMA丝自感知执行器的过热保护并降低其功耗。3.本文基于PI模型,利用迟滞算子的加权叠加建立了电压-位移预测模型,但该方法受电激励信号的形式所限。基于电阻变化方程与应变方程提出了电阻-位移的分段线性模型,但该模型存在运算量大、操作复杂等问题。针对上述模型缺陷,分别构建了基于BP神经网络与LSTM神经网络的位移预测模型。结果表明,以电压与电阻共同作为输入信号,采用LSTM神经网络的形式进行训练,对位移输出的预测效果最好,也就是在不借助额外的位移传感器的条件下可以估计执行器的运动状态,即实现SMA丝自感知执行器的位移预测功能。4.在恒位移工况下,以电阻作为输入信号,分别采用BP神经网络与LSTM神经网络对不同刚度的待测夹持件进行分类。结果表明,采用LSTM神经网络可以很好的对不同刚度的待测件进行区分,即可以在不借助外部传感器的条件下,使用SMA丝自感知执行器对待测件进行分类检测。