金属薄板冲压成形技术被广泛用于制造业中。随着计算机技术和数值模拟分析理论的完善,CAE技术被应用于薄板冲压成形模拟仿真分析,减少冲压成形零件开发周期与开发成本。但冲压成形零件受较多因素影响,常常出现破裂、起皱等成形缺陷。在实际的设计生产中,薄板冲压成形工艺中的参数完全依靠经验设计,并借助CAE数值模拟技术预测零件的成形性能,反复验证,直到得到一个可行解,相当耗时费力。因此实际的生产过程缺乏对各参数的敏感性程度分析以及最终结果的自动优化,依赖主观经验设计与循环试验。而本文提供了一种可确定敏感性参数排名的方法,并建立了基于图像与算法驱动的薄板成形可行参数区间识别的方法,具有重要意义。本文针对金属薄板冷冲压拉延工艺,首先确定其各项参数的敏感性程度,其次采用深度学习中的变分自编码器模型,与近似贝叶斯方法结合得到薄板冲压成形可行参数的后验概率分布,即各参数的区间估计。与传统的数值混合算法进行对比,结果表明该方法具有一定的优越性,主要研究内容简要如下:1、回顾薄板冲压成形工艺数值模拟的基本理论、仿真流程,对案例进行数值模拟分析。2、针对薄板冲压成形工艺中的设计参数,进行基于代理模型的全局敏感性分析。通过对比几种常用的代理模型各项指标,选取最优的模型,基于代理模型进行全局敏感性分析,确定影响零件成形性能的主要因素。3、为了得到参数的设计区间并考虑参数的不确定性,基于近似贝叶斯框架,提出了一种识别薄板冲压成形工艺中的设计参数可行区间的方法,并将该方法得到的结果对比传统的多目标优化方法得到的结果。4、建立了薄板冲压成形工艺中参数识别的闭环系统,开发了图形用户界面,能大大的减少了对经验的依赖,得到该零件在满足成形性能时的参数区间估计。