燃料电池作为新一代能量转换设备,具有发电效率高、无污染、安全可靠等优点,因此近年来被视为非常有前景的新一代发电装置。但在将燃料电池商业化过程中仍面临两大关键问题:工程实际中当运行工况改变后,如何快速预测出其工况改变后的性能参数;以及如何调整电池的运行参数与结构参数,以使电池的多个性能指标同时有所提高。由于近年来机器学习领域的不断发展,采用智能算法（如神经网络、遗传算法等）为手段来对燃料电池进行建模与研究成为了新的研究热点。本文基于以上两个问题,探究了神经网络技术在燃料电池领域中的应用,以提高燃料电池性能预测的预测精度以及完善燃料电池多目标优化领域的相关研究。首先,本文采用计算流体力学（CFD）方法建立了一个三维质子交换膜燃料电池（PEMFC）的仿真模型。通过在不同运行工况下与文献中的实验数据对比,结果表明在三种不同的操作压力和温度下,仿真模型的极化曲线均与实验数据吻合良好,证明了该模型的正确性。因此采用此CFD模型作为后续神经网络训练数据的获取来源以及多目标优化的基础模型。其次,为了解决当前常用的误差反向传播多层前馈神经网络（BP神经网络）权重初始分配的随机性问题及预测精度有待进一步提高的需求,本文引入了一种深度信念网络（DBN）来对PEMFC建立性能预测模型。利用仿真模型计算出1500组数据作为DBN的训练数据,并对训练数据的预处理方式、训练迭代步数、网络拓扑结构进行讨论以得出最佳神经网络模型。结果表明:该DBN模型具有很好的预测效果,与另外两种常用的神经网络方法相比,本文所建立模型的预测精度最高;并且仅通过1500组数据对DBN进行训练便可成功对41600组工况进行预测,找出了电池最大功率密度所对应的运行工况。最后,探索将神经网络与多目标遗传算法结合以进行燃料电池的多目标优化。首先通过方差分析方法从11个常用的电池变量中选出对性能影响最显著的变量,作为后续的决策变量。然后训练三个以神经网络作为基学习器的集成模型,作为计算多目标遗传算法中适应度函数的代理模型。之后运行优化算法来对电池的功率密度、系统效率、阴极氧气分布均匀性三个指标同时进行优化。结果表明:在电池的众多参数中,操作压力、温度、阳极化学计量数、扩散层厚度、膜厚度、流道宽度是对本文三个性能指标影响最显著的六个变量;将神经网络与优化算法结合后极大减少了优化时间,程序仅运行9分37秒便得到最终的帕累托最优解集;选取的最优模型与基础模型相比功率密度提升了0.117 W/cm~2,系统效率提高11.04%且阴极催化层上的氧气分布更为均匀。