在国家发展大局中,质量强国彰显越来越重要的地位,并在“十三五”规划中将建设质量强国作为重大方针政策。参数优化是质量改进中的一个重要环节,而现实生产过程中,由于生产工艺复杂,参数优化普遍存在复杂多响应参数优化问题,包括质量特性数目多、响应间的相关性、高度复杂的非线性和响应之间映射的多极值问题,使得传统的参数优化方法难以实施。目前该方面的研究主要利用智能算法建立因子与响应间复杂的映射关系,但没有考虑响应预测能力、响应相关性等问题,因此,本文给出了处理复杂多响应参数优化问题的改进方法。研究了一种改进的响应曲面模型优化方法,主要考虑响应预测能力对结果的影响。利用响应曲面法构建因子与响应间回归模型,以响应预测能力指数为权重得到综合回归模型,然后以综合回归模型为目标函数在区间范围内搜索最优参数组合,并给出参数改进的方向。利用该方法可使参数优化结果优先优化预测能力强的响应。针对生产过程中存在的复杂多响应问题,给出一种基于神经网络的参数优化方法。利用加权主成分分析方法将多个质量指标转化为单一的质量绩效指标,并利用神经网络弥补响应曲面法的不足,构建良好的映射模型,利用神经网络模型的高泛化能力对最优参数组合寻优搜索,以较少的试验数据得到理想的参数设计。研究结果表明,该方法能够较大程度地改善多响应指标。研究了一种基于神经网络预测的改进加权主成分分析法。对于生产过程中存在的复杂响应问题,回归模型的拟合度达不到响应预测能力指数的计算要求,本文利用神经网络建立非线性模型,使用神经网络模型的均方误差计算响应预测能力指数,调整加权主成分分析,改善了工艺参数优化效果。理论与实际相结合是本文研究的特色,理论方法研究以工程案例为依托,案例背景均来自于研究项目中的实际工程问题,且试验数据多为项目中的实际试验数据。本文理论方法研究的创新之处在于对回归模型构建的多响应参数优化问题以曲面拟合度作为响应预测能力的评价指标引入多响应参数优化,能够达到强调预测能力的效果。对复杂多响应参数优化问题,曲面拟合度不理想,以其拟合度作为响应预测能力的评价指标可能使结果出现偏差,利用神经网络模型建立良好的映射关系,以神经网络模型的均方误差作为响应预测能力的评价指标,并将其引入加权主成分分析法中,使得结果优先优化预测能力强的响应。为解决全局优化问题,提出了一种基于神经网络建模的全局优化方法,在全局预测的基础上,优化结果层层迭代,从而解决高度复杂的非线性及响应的多极值条件下的参数优化问题。