注塑成型是重要的塑料制品成型方式，适于大批量生产形状复杂、尺寸要求精确的塑料制品。随着注塑产品应用范围的变化，对产品质量的要求也越来越高。成型过程中，工艺参数直接影响到模具内熔体的流动状态和最终制品的质量，获取并保持优化的工艺参数是成型高质量制品的前提。CAE技术可以帮助工艺工程师优化工艺，但目前的应用也仅限于应用CAE分析代替反复试模，这只能获得合理工艺而不是最优，且对于大型复杂的制品，由于工艺模型及几何模型的复杂性，CAE分析时间较长，所以CAE模型用于在线控制几乎是不可能的。因此如何从CAE分析结果中抽取有效的信息，来辅助工艺优化和工艺控制对制品质量具有重要意义。 本文主要对注塑成型过程的工艺参数优化和控制进行了研究，并利用人工神经网络技术在CAE模拟基础上对单目标问题进行了优化和控制。 利用Taguchi实验设计方法对工艺参数进行正交实验，得出实验因素最佳水平组合，并对实验因素对质量目标的影响度排序，筛选出对目标变量影响最大的几个过程参数作为实现工艺控制的控制变量。估算出最佳实验因素水平组合下的信噪比值，用CAE模拟验证实验设计结果的正确性。 根据Taguchi方法得到的实验结果确定出神经网络辨识器的结构同时根据实验因素最佳水平得到络辨识器离线训练和测试样本数据，对其进行训练并测试网络性能，完成辨识器的离线训练。通过对具有不同学习算法、不同传递函数及不同隐含层神经元个数的BP网络性能进行比较，确定出本文优化和控制中采用的BP网络结构及参数，对注塑成型过程的工艺参数进行预测。 利用模型参考自适应算法实现工艺控制。将完成离线训练的辨识器和相应的神经网络控制器嵌入基于Matlab平台开发的控制系统中，实现了注塑成型过程的神经网络控制。采用多个算例在非时变和时变两种参考模型下进行控制仿真。从控制结果上可以看出该控制方法对被控对象控制取得了很好的效果。