在实测铸铁凸轮轴铸造温度场的基础上,研究了人工神经网络技术在铸造数值模拟优化中的应用。首先采用三维有限元方法模拟了凸轮轴充型凝固过程的温度分布。在温度场实测方案中,设计了7个热电偶测温点。通过实测数据与模拟数据的比较,确定有限元模拟的最大相对误差为4.54%,CPU时间为3200s。人工神经网络采用了基于自适应学习率-动量项的误差反向传播梯度下降算法,并以温度场实测数据及有限元模拟数据为样本,进行了充型凝固数值模拟的优化。神经网络优化处理后模拟的最大相对误差为1.98%,CPU时间为670s,从而在模拟精度和效率上均优于传统有限元法。在铸造过程模拟中引入神经网络优化具有良好的可行性。