板料挤压作为板料体积成形中一类典型工艺,具有广泛的应用范围。成形力作为板料挤压工艺成形过程中的重要参数,是相应模具设计和压力机选择的重要依据,其预测研究具有重要的工程意义。板料挤压力的大小与众多参数之间存在复杂的非线性关系,目前,大部分计算模型从力学分析和成形机理出发,适当的简化材料模型和工艺模型实现成形力预测,但适用范围和计算精度有所局限。深度学习技术作为一种快速发展的人工智能技术,可以直接从大量数据中挖掘输入与输出间的联系,建立复杂的非线性模型方面具有显著的优势。因此,本文基于深度学习技术,开展了多因素影响下板料挤压成形力预测模型研究,主要研究内容和成果如下:（1）开展了板料挤压实验与数值仿真相结合的批量数据获取方式研究。通过对比板料挤压实验与有限元模型仿真的成形力结果,验证了有限元模型的准确性,在此基础上,采用有限元模型模板更新技术批量获取不同工艺条件挤压力数据,为预测模型的建立奠定基础。（2）基于不同的材料硬化模型,采用自编码器技术建立了材料参数压缩提取模型,将不同类型的材料流动应力应变曲线压缩成4个材料特征值,简化了预测模型中材料参数输入,扩大了模型的适用范围。并且与无材料参数压缩的预测模型相比,可以有效地减少训练样本,提高预测精度。（3）基于深度神经网络技术,建立了包含材料特征值、断面缩减率、凹模半径、压入深度、板料厚度、摩擦系数的板料圆形凸台挤压成形力预测模型。并对预测模型进行隐藏层单元数量和层数进行了优化研究,结果表明,预测精度开始会随隐藏层单元数量和层数增加而快速提升,存在最优值,同时预测模型具有较好的泛化能力。（4）针对成形截面形状对于板料挤压成形力的影响,基于卷积神经网络进一步开展了适用于不同形状的板料凸台挤压成形力预测模型研究。通过构建不同基础形状的挤压力数据集,利用卷积神经网络对凸、凹模形状数据进行特征识别和提取,建立挤压力预测模型,并进行了验证和评估,结果表明,所建的模型对于规则形状和组合形状都有较高的预测精度。