传统数值模拟方法可以有效计算铸造工艺方案中可能产生的缩孔缩松缺陷的分布,但是由于数值模拟方法的计算量较大,致使计算铸造缩孔缩松缺陷分布的时间较长,效率较低。针对上述问题,本文将机器学习算法引入铸造缩孔缩松缺陷的预测中,采用具有针对性的数据预处理方式处理铸造工艺数据,同时采取多模态的数据输入方式增加数据维度,并使用全连接卷积神经网络对铸造缩孔缩松缺陷进行快速预测,提出了一种基于全连接卷积神经网络算法的铸造缩孔缩松缺陷快速预测方法。主要内容包括:（1）引入三维图像的概念和全连接卷积神经网络算法,将铸造缩孔缩松缺陷的计算任务转化成为三维图像的语义分割任务。将铸造工艺方案中铸件、冒口、冷铁等部件看作是三维图像中不同的像素值,使用三维图像中各个像素之间的类别关系和相对位置关系描述铸造工艺方案中各个部件的形状、大小、相对位置关系;并将三维图像与缩孔缩松缺陷分布结果作为算法的训练样本,训练获得铸造缩孔缩松缺陷的快速预测模型。（2）针对铸造工艺的应用场景,完成了特异化的数据预处理工作。通过对铸造缩孔缩松缺陷数据的数据归一化、数据增强等操作,提高了数据的易用性,并扩充了数据的规模;同时提出了三维数据矩阵化、矩阵二维切片化等数据轻量化技术,解决了大容量矩阵数据的工程化使用问题。（3）针对铸造缩孔缩松缺陷的产生原因,采用了多模态的数据输入方式。重点考虑了铸造工艺中各部件的形状、大小、相对位置,以及浇注温度、浇注高度等因素的综合影响,提出了多维工艺变量,将影响铸造缩孔缩松缺陷分布的铸造温度、浇注高度等因素等效于不同模态的三维图像数据,引入了多模态的数据输入,综合提取了铸造工艺中的各种特征,奠定了铸造缩孔缩松缺陷快速计算方法的数据基础。（4）通过对轴承座、油缸铸件的铸造缩孔缩松缺陷进行分析,验证了本文提出的基于全连接卷积神经网络算法的铸造缩孔缩松缺陷快速预测方法的有效性与高效性。本文提出的铸造缩孔缩松缺陷快速预测方法,相比与传统的数值模拟算法,能够大幅减少铸造缩孔缩松缺陷的计算时间,所完成的研究成果为铸造缩孔缩松缺陷的计算提供了新的思路,为企业相关研究人员快速分析铸造工艺方案的优劣提供了重要参考。