导热系数和热扩散率作为重要的热物性参数，是反映材料传热性能的重要指标，为各行各业中涉及到传热的设计提供了重要依据。随着新型材料的不断发现，以及材料使用条件的不断拓展，对材料导热习俗和热扩散率的准确测量具有重要意义。经过多年的研究，已经发展出多种测量导热系数和热扩散率的方法，根据测量对象的不同、测量范围的不同、测量精度的不同可以采用不同的测量方法。其中，瞬态热源方法具有仪器设备体积小、测量时间短、测量准确等优点，成为主要的研究方向。瞬态热源法中以热线法和瞬态平面热源法为典型代表。由于考虑热源的体积和准确形状时难以得到探头温度响应的解析解，所以两种方法的理想模型的建立过程中未考虑热源的体积，把加热丝看成是没有厚度没有直径的线，把探头视为无限薄，而且即使通过修正也无法准确考虑热源的体积。所以探头热容、探头尺寸、加热功率的变化、接触热阻、时间延迟等因素成为了误差来源。　　为了在测量方法的理论中就把热源的体积考虑入内，减少头热容、探头尺寸、接触热阻等因素带来的误差。本文提出基于数值计算进行导热系数和热扩散率反演的方法。因为在考虑热源体积时无法准确得到探头温度响应的数学表达式，因此需要建立数据库，进行数据拟合。在正问题中计算被测材料热物性在不同情况下探头温度响应，并建立无量纲化的数据库。在反问题中根据探头的温度响应，利用数据库反演出被测材料的导热系数和热扩散率。该方法中，因为正问题中对传热过程模拟时将探头的准确形状和体积均考虑入内，所以探头尺寸，热容和样品边界都不会引入系统误差，因此能提高精度；而且因为探头内嵌在热物性已知的探测器底座中，不仅能减小接触热阻，而且不需要探头满足超薄的条件，更利于实物的搭建。　　本文编写了程序模拟导热过程，通过实例验证了程序的正确性。利用程序建立了数据库，完成了正问题的过程。利用神经网络对数据进行训练，得到神经网络模型，实现了探头温度响应的预测。结合神经网络模型和单纯形搜索法编写程序实现了被测材料热物性的反演，即已知探头温度响应即可用程序准确计算出被测材料的导热系数和热扩散率。根据反演的结果可见，该方案能准确得反演出被测材料的导热物性，而且从相对误差的角度看，导热系数的反演准确度高于热扩散率的反演准确度。其中，反演出的导热系数和真实值之间的绝对误差在1W/(m·K)左右；反演出的热扩散率和真实值之间的绝对误差在0.3×10-5m2/s以内。