砂型铸造广泛应用于汽车、工程机械等行业关键铸件的大批量生产,其生产工序多、影响因素多的特点给铸件质量控制带来重大挑战。铸件发生力学性能不达标、缺陷超标等问题往往导致铸件直接报废。目前各工艺参数和力学性能与缺陷的量化关系不明确、工艺参数设置和控制主要依靠经验和反复实验,无法对参数进行准确调整,严重影响产品质量的提升。近年来,铸造业信息化水平有了大幅提升,信息系统中记录了大量一线生产数据。为此,本文基于生产数据,采用BP（Back Propagation）神经网络建立典型铸件力学性能与砂眼缺陷的预测模型,并混合BP神经网络和遗传算法对铸造工艺参数进行求解优化。本文主要研究工作及取得的成果如下:首先,完成了砂型铸件多工序的数据挖掘。第一步,梳理了砂型铸造的实际业务流程,确定了型砂性能等影响力学性能与缺陷的关键因素;第二步,使用单件号对多工序参数进行关联,并以304钢压盖铸件为例阐述了数据挖掘过程。其次,采用BP神经网络构建了304钢压盖铸件力学性能与砂眼缺陷预测模型。第一步,对数据进行归一化和独热编码的预处理;第二步,测试隐含层层数等参数,确定了BP神经网络最佳结构。预测效果表明,屈服强度、抗拉强度、断后伸长率模型的决定系数达到0.997、0.998、0.994;砂眼缺陷预测模型总体准确率为93.68%。再次,使用两种优化方法对铸造工艺参数进行优化。数据量充足时,采用混合BP神经网络和遗传算法,针对用户需求对工艺参数进行求解优化。在减少Ni元素使用量的测试中,在相似的力学性能条件下,Ni元素的使用量减少了12.7%。数据量不足时,提出并实现了交互型单纯形搜索系统,并对新型无机砂的配比参数进行快速寻优,实验结果表明,用较少的实验次数（10次）即可以得到满意的配比结果。最后,开发了砂型铸造工艺参数优化系统。测试效果表明,系统对力学性能与砂眼缺陷具有较高预测精度,明确了力学性能量化关系,可为工艺参数控制提供指导。