硬盘是计算机存取海量信息的主要载体，对计算机的性能起到关键的作用。在硬盘工业中，很大一部分难题都与硬盘悬臂组件有关，而这其中悬臂静态角的调节控制对硬盘磁头存取数据的准确度又有着决定性的作用。　　由于现有的设备采用机械调节方法改变不锈钢合金制造的硬盘悬臂组件静态角必然带来弹性形变后的反弹，所以需要对其反弹过程进行建模。现有的方法是通过悬臂组件样品的调节实验，获得大量的调节量与反弹量之间的数据对，采用一元线性回归的方法建立直线拟合模型。使用这种方法，在过去的生产中得到了较好的效果。但是随着硬盘容量和磁密度的提高，工业生产对悬臂静态角的要求也在提高，过去的预测方法对提高产品的产量造成了阻碍。　　本文从反弹过程模型的建立出发，采用具有多元和非线性特点的反向传播神经网络改进算法，将原来的一元输入变为具有一定耦合关系的二元输入，并且神经网络算法在建立的模型局部具有一定的非线性拟合能力。该算法利用Matlab的神经网络工具包完成，并采用COM技术进行打包，在VC++6.0编程环境调用算法并完成人机界面。通过仿真和加入改进算法后的真实调节实验，证明神经网络建立的反弹预测模型具有更高的准确性，提高了产品生产的成品率。　　该项目的成功完成，提供了神经网络函数拟合在工业问题中应用的范例，为该领域算法的进一步研究提供了事实依据。