近年来,为了减轻车身重量,汽车覆盖件大量使用铝合金和高强度钢板材,这带来更加突出的回弹问题,它直接影响冲压件的尺寸和形状精度,导致装配困难。为降低生产成本,提高设计效率,减少试模、修模的时间,基于冲压成形回弹预测结果来优化控制回弹的参数已成为当前研究智能数控精密冲压成形的关键。本课题选取来自于NUMISHEET’2008标准考题的S形轨道件作为研究回弹的典型零件。首先通过分析S形轨道件弯曲回弹的机理,基于单因素试验分析,确定了影响冲压成形回弹的主要因素分别为：压边力、摩擦系数、拉延筋、模具间隙、硬化指数和板料厚度等。接着,基于回弹正交试验的有限元分析样本,对分别对BP神经网络回弹预测模型(Back propagation neural network prediction model)和响应面法(Response surface method, RSM)回弹预测模型进行建模和仿真,通过对比发现RSM回弹预测模型基于相同的试验样本能获得较高的效率和精度。最后,提出采用非支配排序遗传算法(Non-Dominated Sorted Genetic Algorithm-II, NSGA-Ⅱ),基于预测仿真数据来优化抑制回弹的参数,通过使用Isight和DYNAFORM仿真验证所得的Pareto最优解集,发现S形轨道件的回弹量明显减少,成形性能也得到了提高,为今后研究复杂形状零件冲压成形的回弹智能预测控制奠定了基础。