镁合金作为目前已知最轻的合金材料,被广泛的应用于军工机械、汽车制造、医疗器械等领域中。目前针对镁合金研究的存在很多欠缺,已研发成果大多都是初步的和分散的,并没有将其进行统一和标准化。以镁合金矫直为例,工业生产中对镁合金平直度的矫直虽已取得一些重要的基础性研究成果,但有关镁合金矫直理论的研究仍远落后与工程实际需求,这进一步又限制了镁合金的发展。本文以基于弹塑性理论构建的镁合金拉伸矫直理论模型为基础,采用不同算法对拉伸矫直过程中材料性能参数进行在线辨识,以提高材料性能参数的精确度,进而提高矫直位移精度,主要工作如下:1)对拉伸矫直模型进行介绍分析,建立起相应的求解模型和算法,利用matlab软件对该算法实施仿真实验,并通过实例验证该方法的有效性。2)基于遗传算法优化BP网络的原理;设计针对矫直模型的网络结构;通过样本训练,获得要辨识的材料参数值;并将其与BP神经网络算法结果进行比较,确认优化后的网络预测精度更高。3)进一步结合拉伸矫直理论模型,分别描述基于弹性加载第一、第二阶段和弹塑性加载阶段的递推最小二乘辨识方法;将其预测结果与试验结果进行对比分析,该方法的辨识结果满足工业精度。4)研究基于Kalman滤波与扩展Kalman滤波的材料参数联合辨识,分别建立基于弹性阶段的Kalman滤波(KF)模型和基于弹塑性阶段的扩展Kalman滤波(EKF)模型,将预测结果进行分析。最后对本文工作进行总结,并对镁合金矫直过程中材料参数辨识方法研究作了进一步的展望和分析。