Al-Si-Mg合金由于其高的比强度、良好的铸造性能和耐腐蚀性,广泛应用于高真空压铸（HVDC）零部件的制备。产品复杂的结构和冷却系统的设计使铸件各部位凝固条件存在区别,导致铸件局部的凝固组织和力学性能具有明显的差异。采用数值模拟技术预测和研究不同成分和工艺参数下压铸Al-Si-Mg合金的凝固组织,可以指导实际生产中的产品开发和工艺优化。然而鉴于当前计算机硬件、数值模型、计算方法的发展水平,元胞自动机法（CA）模拟的最大计算域仅能达到几个毫米,无法实现铸件全域凝固组织的模拟预测,而结合机器学习模型可以进行此领域的研究。本文的主要研究工作包括:（1）采用CA模拟压铸Al-Si-Mg合金的凝固组织,结合实验数据,研究Si含量和冷却速度对Al-Si-Mg合金枝晶和共晶形成的影响;（2）开展机器学习的反向传播神经网络（BPNN）的模型与算法设计,结合温度场计算和CA组织模拟,进行铝合金压铸件全域晶粒尺寸的预测研究,并初步应用于实际导轮压铸件。首先,建立压铸Al-Si-Mg合金凝固组织CA模拟的数学模型及算法,结合Python和GPU并行计算的能力完成相关程序的设计。进行了CA模拟的α-Al晶粒与实验数据的对比验证,讨论了凝固过程晶粒的生长与溶质分布。结果表明,在高晶核密度区域,晶粒的生长被限制;凝固至共晶温度时,Al-7Si-0.3Mg合金液相中溶质Mg的浓度更高;在具有高冷却速度和窄凝固区间合金的试样中,压室预结晶（ESCs）对α-Al晶粒的生长具有较大影响。进行了CA模拟的共晶β-Si相与实验数据的对比验证,定量统计了凝固结束时初生α-Al相、共晶α-Al相和共晶β-Si相的体积分数。结果表明,对于成分相同的合金,冷却速度可以改变初生α-Al相和共晶α-Al相的体积分数,但影响程度较小。为了实现压铸件全域晶粒尺寸的预测,建立了BPNN的数学模型及其训练的算法,并结合温度场计算和CA模拟技术,提出了晶粒尺寸预测的计算方法:首先,基于温度场模拟和特征工程构建压铸件单元的凝固时刻集;其次,采用已验证的CA模型模拟压铸件多个单元的凝固组织,计算其晶粒尺寸并构建CA模拟数据库;将CA模拟数据库输入BPNN模型,经训练并验证后获得凝固时刻与晶粒尺寸的映射关系;最后,基于此映射关系与压铸件全部单元的凝固时刻集,预测压铸件全域的晶粒尺寸。结合Python和C/C++进行上述计算的程序设计,并初步应用于Al-7Si-Mg导轮压铸件。结果表明,所建立的压铸件全域晶粒尺寸预测方法具有快速、准确、低成本的优势。