金属注射成形技术是一种粉末冶金零部件高效近净成形技术,有着广泛的应用。注射成形坯的密度分布是影响产品质量的重要因素。本文首先对神经网络在注射成形中研究的发展情况进行了综述,介绍了神经网络的基本理论和算法；根据金属注射成形工艺特点分析了影响注射成形坯密度分布的六个主要因素,建立了用于预测金属注射成形坯密度分布的6输入3输出单隐层神经网络模型。然后基于BP算法用所建立的神经网络模型对3维6元非线性函数向量的92组数据进行了拟合,用9组数据分析拟合的误差及耗时；用遗传算法优化神经网络初始权值矩阵对算法进行了改进,将算法耗时从4.5分钟降低到1秒、拟合误差从±0.2减少到10-4。建立用于控制注射成形坯密度的反馈控制神经网络模型,分别基于BP算法和用遗传算法优化初始权值矩阵改进算法对相应函数向量的反函数向量进行了拟合,改进算法耗时降低到2秒。对非线性函数向量及其反函数向量的拟合误差均达到10-5,验证了所建神经网络模型及算法的可靠性。最后根据金属注射成形的多相流数学模型,在注射速度、温度等6个参数的工艺实际取值范围内选取84组参数,利用有限元分析软件ANSYS对钳口零件的注射充模流动过程进行数值模拟。将其中82组的模拟结果作为训练数据对所建立的金属注射成形坯密度分布预测和控制的神经网络模型进行训练。用训练后的神经网络模型预测其余两组注射参数下的成形坯密度分布,预测值与模拟结果的误差小于±14kg/m3(即±0.14g/cm3)、相对误差小于0.4%；将其余两组参数对应的密度分布作为控制目标,用训练后的神经网络模型给出最优的6个注射参数,所得出的优化参数与实际值的相对误差小于10%。为智能化预测与控制注射成形坯密度分布探讨了一条有效途径。