工时定额是企业计划排程、资源调度和管理优化的重要依据。按照其以往的制定方法,为保障计算结果的准确性与原理的可解释性,管理者会将关注点落在分析具体加工细节、研究生产环境因素、搭建工时回归方程等工作上,导致工时定额计算模型搭建过程繁琐、灵活适应性差,计算精准度和计算效率之间矛盾突出,无法适应航空航天紧固件制造企业当前小批量、多品种的离散制造模式。寻找一种可快速实现且灵活精准的工时定额计算方法,已经成为该领域众多企业关注的重点。针对这一问题,本文借助神经网络在回归问题方面的计算优势,以航空航天紧固件制造企业常规产品所对应的工时定额为研究对象,以业务系统收集的实时数据为基础,基于行业产品型谱特征与分类规律,从而得出,在该行业中,工时定额计算的核心任务是产品单件平均工时的计算。然后,选择并解析影响产品单件工时定额的更高阶、更梗概的特征因素,抽取并组合数据,对特征因素进行预处理,最终形成研究数据集。在此基础上,将单件平均工时的计算作为神经网络模型的预测对象,根据计算任务特点,选择并搭建了BP神经网络、Wide and Deep神经网络和卷积神经网络模型,引入K阶验证机制,对各模型进行训练、验证、测试和对比评价。研究数据表明,卷积神经网络的预测效果最优,均方误差为0.019,模型的拟合优度为0.858。最终,使用新获取的数据对模型计算效果进行再次验证。本文研究结果表明:在小批量、多品种制造模式下,利用产品分类属性等高阶特征,借助神经网络建模来实现产品单件工时定额的预测是可行的,且CNN相较BP神经网络和Wide and Deep网络具备更好的预测的效果。本文研究成果可以为航空航天紧固件制造行业提供更快捷精准的工时定额计算方法。