在气体辅助注射成型过程中，工艺参数优化研究可借助于数值模拟技术，以达到效益最大化和缩短生产研发周期目的。随着塑料工业的迅猛发展，人们对数值模拟技术在注射成型工艺优化方面进行了广泛的研究。也有一些学者在数值模拟技术的基础上，将人工智能方法引入到塑料注射成型工艺领域，人工智能方法对制件成型过程的工艺参数能进行优化搜索。数值模拟技术和人工智能方对生产过程都具有一定的指导作用，但是这些方法也存在着实验过程过于耗时、实验结果仅限于特定条件、对操作者的水平要求较高等问题。本文针对应用当中的这些问题，提出了一种软计算方法的解决方案。该方法针对棒类气辅制品，在建立代理模型的基础上，利用正交试验设计的结果，对人工神经网络进行训练，将训练好的人工神经网络替代数值模拟过程，以较快地得到优化之后的工艺参数，从而提高工人试模的效率。全文的组织结构为：第一章：综述了气辅注射成型技术的国内外研究现状，并指出了相关研究工作的不足之处，同时提出了本文需要进一步深入研究的内容。第二章：对气辅注塑成型制品的一大类——棒类制品进行研究，从制品模型的特点入手，首先建立了软计算方法中的初始代理模型。在初始代理模型的基础上，引入制品模型的外型参数，对初始代理模型的长度修正系数进行了研究，并采用数学分析的方法建立了模型外型参数与长度修正系数之间的函数关系式。最后得到的代理模型能较好地反映原模型的相对气道长度，具有比较好的替代作用。第三章：以代理模型为研究对象，将代理模型的外型参数与成型工艺参数一起作为试验的因素，进行正交试验设计，并对试验结果数据分别进行单一评价指标下极差分析和综合评价指标分析，得到各因素对气辅成型质量的影响情况，同时优化气辅成型工艺条件。并且对这些参数进行调整，进行多组的正交试验设计，以得到足够的试验数据来训练人工神经网络。第四章：研究了基于BP神经网络的气辅工艺参数优化方法，利用BP网络获得了工艺参数对各质量指标的近似关系，实现了代理模型对应于工艺参数的各质量指标的快速获得。并对基于代理模型和BP神经网络的软计算方法进行了验证。第五章：以汽车后视镜产品为研究实例，研究了本文的软计算方法在不规则棒类气辅制品中的应用。研究表明，本文的软计算方法同样也能应用于不规则棒类气辅制品，对生产工艺起到指导作用。第六章：总结本文的主要研究内容，并提出以后工作的展望。