本文在充分考虑传统制冷压缩机热力计算模型的物理特征后，提出改进的神经网络方法。新方法中的神经网络输入参数少、网络结构紧凑，输入参数、输出参数无需规范化和反规范化。毛细管流量特性关联式的建立为毛细管设计提供了一条简单、可靠的理论途径。本文分析了现有关联方法存在的不足通过引入广义回归神经网络(GRNN)替代BP网络，较好地克服了这些缺点。另外，在关联模型中用二进制代码表示不同水平类别变量“制冷剂种类”，对不同的制冷剂取得了令人满意的统一关联效果。结果表明了该方法的有效性和相对于BP网络建模方法的优越性。从保证模型的参数敏感性出发，用分布参数的方法建立了冷凝器、蒸发器部件模型，设计了基于相区划分和制冷剂出口焓值迭代的稳定的算法，模型的的参数敏感性与实验数据一致。通过对部分实验数据的学习，进一步建立了与基本模型相结合的人工神经网络。利用神经网络的非线性映射能力进行模型修正，显著提高了换热器的仿真精度。通过神经网络对换热器模型进行的简化大大加快了换热器仿真的速度。