压铸是一种高效率生产近净形铸件的先进工艺方法，该工艺在工业领域的应用日益广泛。铸造过程是一个复杂的、多参数、时变的过程，很难给出一个精确的数学模型来指导压铸浇注系统的设计。人工神经网络适于处理复杂、非线性问题，因而本文利用GA-BP网络技术，研究了压铸件浇注系统设计中几个重要参数的优化设计问题。 本文综合考虑对压铸浇注系统设计有重要影响的工艺参数，建立了一个由铸件合金种类、平均壁厚、结构类型、复杂程度、壁厚差以及流程长度到充型时间、内浇口速度、内浇口类型和厚度的6输入4输出的BP神经网络优化设计系统。 BP算法在网络权值调整时收敛速度慢、易陷入局部最优。用遗传算法优化BP网络权值，弥补BP算法全局搜索能力不足的问题，提高设计效率，形成GA-BP网络。 在网络训练样本集建立时，在收集已有典型压铸件工艺参数的同时，利用数值模拟的方法获得六类100组典型压铸件的最优工艺参数；数据的预处理时利用最大最小函数进行归一化、标准化；在网络的训练时，利用批训练方法替代单样本训练方法；利用初期终止方法增强网络的泛化能力。 最后，进行充型过程数值模拟。实例采用较复杂的三维壳体压铸件，利用Procast软件进行充型过程的内浇口速度、充型时间等模拟。数值模拟所需参数利用了GA-BP网络优化设计结果。模拟结果表明，充型过程液流平稳，液体发生合流时，没有产生很大的冲击，说明浇注系统设计合理；型腔充型时间与优化时间基本一致。