纤维金属层板结构（FMLS）,因其优良的轻量化性能,而受到工程领域的青睐,具有广泛的应用空间。通过热成型技术对FMLS进行批量成型,成型效率高,经济性好,是进近些年FMLS领域重要的研究方向。但是FMLS结构复杂,热成型过程中材料选择,压边力,纤维角度等参数难以控制,容易产生褶皱、撕裂等缺陷,严重影响成型质量,成为FMLS热成型方法广泛应用的制约。传统拉深成形,其工艺和材料的研究,主要依赖于经验参数和试验测试。然而,对于FMLS热成型技术,一方面由于工艺复杂可供参考的设计经验较少,另一方面,由于成型状况复杂,很难寻找单一特征指标作为反求的目标函数,因此传统研究方法已经不能满足要求。针对该问题,本文提出了一种基于图像的近似贝叶斯反求方法,通过该方法对FMLS热成形参数反求问题进行了研究。同其他主流混合数值法相比,该方法将仿真云图作为目标函数,因此可以更为全面地反馈热成型过程中的各类缺陷。在FMLS热成型参数反求过程中,首先通过对理想云图的对标完成对仿真云图的分类,并通过基于深度神经网络的变分自编码器完成云图的特征降维与提取;以此为基础,通过代理模型方法构造了设计参数与变分自编码器隐变量之间的空间映射;将隐变量扩展到近似贝叶斯中解决了低维汇总统计量的选取难题;最后通过近似贝叶斯反求,获得设计参数的最佳后验分布;以FMLS热成型为例,用该方法对材料参数和工艺参数进行了识别。本文的主要研究内容如下:（1）基于本文使用的热成型系统设计了FMLS三明治叠加结构形式,并结合复合材料高温材料性能预测模型,在ABAQUS中实现了FMLS的参数化热成型有限元仿真模拟。并建立Matlab-ABAQUS联合仿真迭代模型,该模型能较好的模拟复合材料热成型过程中的应力与位移情况,反馈热成型过程中可能出现的的褶皱与纤维撕裂等问题,为反求研究提供数据基础。（2）将仿真云图与参数反求结合,并基于open CV对图片进行处理,获得模型的输入。通过变分自编码器降维,将对标分类后的云图特征提取到隐变量中,使用隐变量作为近似贝叶斯的汇总统计量,实现对数据特征提取以节约计算成本。（3）采用最小二乘支持向量回归（LSSVR）建立了设计参数与隐变量之间的映射关系,解决近似贝叶斯求解过程中,粒子生成需要大量仿真结果的问题,并通过结构相似性对代理模型和变分自编码器的精度进行了检验。（4）为了保证模型收敛,本文采用了ABC-NPMC抽样算法,确保模型具有较高精度的同时提高了模型的求解速度。运用本文提出的方法对两组实例进行了反求,反求结果表明,该方法能准确获得FMLS热成型最优参数,实现整体性提高FMLS热成型质量,并有良好的可行性和鲁棒性。