随着国家的科技及工业快速发展,钢铁冶炼、核工业、船舶制造、能源输送等重工业中对金属材料的要求越来越高,在高温高压环境下金属缺陷极有可能导致断裂、爆炸等重大事故,因此铁磁材料的无损检测技术也成为热点研究方向。但在实际测量中,其带来的高成本与数值分析的高计算量的问题,始终成为制约该技术发展的瓶颈,研究出一种既能满足精度要求又能快速求解的方法是目前急需解决的问题。由于BP神经网络具有非线性映射、自学习、自适应、并行计算的能力,本文采用BP神经网络替代有限元法对磁场正问题的求解进行深入研究与实验,利用遗传算法和支持向量机的优点弥补BP神经网络的缺点,最终实现基于有限元-神经网络磁场正演算法的设计。本文的主要工作如下:第一、简述电磁场Maxwell方程组及若干磁场正演算法的基本原理,分析适合永磁场参数的正演算法,为永磁场正演算法的设计提供了理论基础。在介绍有限元数值分析方法的原理及实现步骤后,通过对二维、三维规则缺陷处永磁场模型的建立与分析,验证该算法的可行性并为基于神经网络的永磁场参数正演算法提供实验数据。第二、针对有限元法计算量庞大、求解速度缓慢的缺点,在深入研究机器学习理论的基础上,提出一种基于BP神经网络的永磁场参数正演算法。通过实验分析确定BP网络结构的最优参数,并利用场强表征数据作为训练集对网络进行离线训练并存储,该算法在满足精度要求的前提下有效地提高求解速度,获得良好效果。第三、针对因BP网络随机产生初始权值而导致极易陷入局部极小点,无法满足误差要求的缺点,设计了由具有全局搜索特性的遗传算法来确定初始权值的方案,通过实验证明达到提高训练速度及成功率的效果。同时利用支持向量机将通用GA-BP网络拆分成专用GA-BP网络,达到提高预测精度的目的。第四、研究分析多种插值方法,设计了基于三次样条的单峰场强推演算法和基于三次Hermite的双峰场强推演算法。整理出基于神经网络的永磁场参数正演算法的流程,并通过仿真数据对算法进行测试,最终结果同时满足速度和精度的要求,证明该算法的可行性。