V形自由折弯是重要的钣金成形工艺,通过折弯机控制凸模行程来获得设定的折弯角。由于板材在模具卸载后发生回弹,所以回弹后的折弯角为产品所需的折弯角。因此,回弹量是V形自由折弯工艺设计必须考虑的工艺参数。如何建立准确的回弹预测模型确定回弹量,并通过凸模行程控制进行回弹精确补偿,减少试折次数,从而精确快速地实现所需的折弯成形角度精度,这是钣金自由折弯工艺的关键。基于此,本文围绕钣金V形自由折弯工艺过程回弹问题,通过有限元模拟和折弯实验相互结合,进行折弯回弹的影响因素分析,并采用机器学习算法建立折弯回弹预测模型和折弯回弹修正模型,用来指导钣金自由折弯精准快速成形。主要研究成果如下所示:（1）基于ABAQUS有限元软件平台,完成自由折弯模型的建立,采用显隐式结合的方法来完成板材的折弯过程和回弹过程。综合考虑有限元模型参数选取与试验设计方法,集成于ISIGHT平台实现参数化建模,为回弹因素敏感性分析与机器学习模型建立提供大量样本。（2）根据人工神经网络平均影响值方法,对V形自由折弯回弹影响因素进行敏感性分析,筛选出敏感程度较大的因素,为后续模型输入参数的选择提供依据,并讨论敏感因素对回弹的影响,得出结论:板材厚度、弹性模量、硬化指数、凸模行程与板材的回弹量成反比;硬化系数、屈服强度、凹模槽宽与板材的回弹量成正比。（3）以机器学习人工神经网络技术为研究手段,建立了不同因素下的回弹预测模型,并引入了遗传算法对网络的初始权重和偏置进行优化,避免网络训练时陷入局部最优。后续得到考虑13因素、7因素的GA-BPNN回弹角预测模型和凸模行程预测模型,经验证所得模型在一定的精度内能够满足要求,7因素的GA-BPNN回弹角预测模型和凸模行程预测模型适用于工程应用。（4）通过人工神经网络和量纲分析法两种研究方法,基于7因素GA-BPNN凸模行程预测模型,分别建立了凸模行程修正模型,经过对比,神经网络模型能够更精确的起到修正作用;通过应用实例对7因素GA-BPNN凸模行程预测模型和凸模行程修正模型进行检验,结果表明可以通过一次预测模型和两次修正模型使得最终成形角度与目标角度误差保持在0.5°以内。最后基于MATLAB平台,设计了V形自由折弯回弹预测交互界面,以便于两种模型的使用,可通过选择不同模型并输入所需参数值,用于凸模行程预测和修正。