复合材料帽型加筋壁板是体现高强和轻质设计概念的典型复合材料结构形式,其设计参数多、屈曲失效模式丰富,工程计算的简化方法预测精度不高。尽管采用有限元精细预测可以实现高精度预测,但是对于工程设计人员来说耗时较大。本文首先通过试验验证和有限元数值模拟相结合的方式研究了复合材料帽型加筋壁板的力学行为,然后采用人工神经网络方法提供了一种结构承载能力预测的快速方法。主要做了以下几个方面的工作:（1）本文中建立了两种人工神经网络模型研究了帽型加筋板的压缩屈曲行为,成功地预测了其压缩屈曲载荷和压缩屈曲模式。首先,开展有限元模拟和实验验证相结合的方式研究了复合材料帽型加筋板的压缩屈曲行为。接着,考虑了四个加筋板的力学参数,采用ABAQUS二次开发程序来批量生成了人工神经网络的训练集和测试集,通过对比选择了两种神经网络结构来分别预测屈曲载荷和屈曲失效模式。基于测试集数据和新测试数据来检查人工神经网络的性能表现和泛化能力。研究结果表明:试验与数值分析预测相结合可以有效地揭示复合材料加筋板的压缩屈曲行为,此外经过有效训练的人工神经网络可以准确高效地预测复合材料帽型加筋板在轴压载荷下的屈曲行为。（2）本文建立了人工神经网络模型研究了帽型加筋壁板的剪切失效行为,成功地预测了其剪切屈曲载荷和极限载荷。首先,开展有限元模拟和实验验证相结合的方式研究了复合材料帽型加筋壁板的剪切屈曲行为和承载能力。接着,采用二次开发的ABAQUS参数化建模技术批量计算生成了人工神经网络的训练集、验证集和测试集,并使用自编码器对原始特征进行压缩。最后,通过建立BP神经网络预测剪切屈曲载荷和极限载荷,基于测试集数据来检查人工神经网络的性能表现和泛化能力。研究结果表明:试验与数值预测相结合可以有效地揭示复合材料加筋板的剪切变形过程和破坏机理,此外采用自编码器压缩抽取的特征可有效替代原始特征,且有效训练的BP神经网络可以准确高效地预测复合材料帽型加筋壁板在剪切载荷下的屈曲载荷和极限载荷。