注塑制品质量受材料性能、模具设计、注塑工艺参数设置以及环境状况等多种因素的影响，其中工艺参数对制品质量的影响更为复杂。以往对制品缺陷的诊断与处理，主要依靠成型操作者或工程师的知识和经验进行分析判断。人工智能技术的发展，给制品缺陷的分析诊断提供了新的技术和方法。本文在对常见的注塑制品缺陷的类型、产生原因和解决对策全面分析整理与分类的基础上，结合注塑制品缺陷分析诊断的过程特点，提出了一种基于模糊神经网络的制品缺陷分析诊断方法，构建了具有两个层次推理关系的分级模糊神经网络结构。采用两层三级的小规模神经网络替代单一的大规模神经网络的方法，解决了单一大规模神经网络样本学习训练及分析诊断的计算量大和时间长的问题，有效的提高了神经网络的学习推理速度。通过在神经网络的输入端与输出端分别增加模糊化层和去模糊化层，较好的解决了传统诊断系统中因缺陷表示的不确定性和模糊性描述等给制品缺陷分析诊断带来的影响，提高了系统分析诊断的准确性。为解决一般BP算法收敛速度慢及振荡等问题，在查阅大量文献的基础上，采用混合算法计算多层人工神经网络的权值和阈值，即迭代前期采用BP算法而迭代后期采用梯度优化算法，实现了权值和阈值的快速准确计算。 知识库是注塑制品缺陷智能诊断系统重要的组成部分，是推理机进行推理诊断的基础和前提。本文把相关的专家经验与知识转化为适合神经网络学习训练的学习样本，并通过学习训练，把蕴涵于样本中的知识以权值和阈值的方式存储起来，形成神经网络知识库。同时采用基于规则的知识表示方式，建立了注塑制品缺陷原因—解决对策知识库。 使用数据库Access2000、Matlab和VB6.0编程工具，设计开发了注塑制品缺陷智能化诊断系统，并以实际生产中两个实际缺陷为例，给出了系统分析诊断的过程和方法，诊断结果与工厂的实际分析诊断结果一致。