压力校直是一种消除或减少长条形零件弯曲的工艺，具有简单、灵活、经济的特点。目前，关于校直工艺参数计算方面开展的研究较多，尤其是在轴类零件校直方面已经有比较完善的理论，但是在校直机的智能控制方面开展的研究还不够深入。为适应全自动校直机发展的需要，有必要开展校直机的智能化研究。本文作为李骏老师建立的基于校直过程模型的校直工艺理论的后续研究，在对校直工艺过程模型深入分析的基础上，对影响校直行程计算精度的材料性能参数的在线识别进行研究，以减小或者消除材料性能参数波动对校直行程计算误差的影响，同时也是扩大校直对象的应用范围，尤其是对于材料参数不确定和在使用过程中存在应力强化的工件也能够较准确的计算其校直行程。同时也是将当前校直工艺参数计算模型的研究成果与校直工艺过程控制的人工智能技术很好地结合起来。主要工作如下： 对校直过程数学模型进行分析，采用数值分析方法对该模型进行求解，用面向对象语言DELPHI编制了可视化界面，用以完成人机交互获取已知参数；用MATLAB编写了校直计算主程序。 对校直过程模型在参数计算和控制领域的应用进行了分析，提出了控制模型，分析了在应用中存在材料性能参数准确获取的问题，确定采用在线识别来解决这个问题，确定弹性模量和屈服极限为识别对象，并分析了影响这两个参数波动的内在和外在因素。同时对压力校直参数识别的特点进行了分析。 应用BP和RBF神经网络和支持向量机来进行压力校直过程中的参数识别，对适用于校直工艺的神经网络和支持向量机结构的确定、算法的选择以及关键参数的优化进行了研究，并比较了三种方法的优缺点。 对轴类零件材料性能参数的在线识别进行了实验验证，通过拉伸实验和校直实验证明三种识别方法都能较好的解决材料性能参数的波动问题，其中RBF神经网络识别精度最高，结构确定也更容易。同时实验也证明采用在线识别能够较好的解决材料性能参数的波动问题。