激光表面硬化处理是诸多的表面处理方法之一,它可以提高工件或材料的表面硬度,增加耐磨性,减少摩擦系数,细化晶粒和组织结构,改善表面的机械性能,同时具有使工件变形小或者几乎无变形的独特优点等。本文以汽车发动机HT150气缸套的激光表面硬化为主要研究对象。首先,提出了将作为人工智能之一的神经网络(ANN)技术应用于激光表面硬化预测,并以HT150气缸套材料激光表面硬化得到的实验数据为基础,利用BP神经网络建立了基于MATLAB人工神经网络工具箱中的BP神经网络的激光表面硬化指标预测模型,通过预测值与实验值的比较,验证了预测模型的正确性,并使用MATLAB软件编制了用于HT150气缸套激光表面硬化指标预测系统的友好的用户操作界面,通过将已编写好的基于MATLAB的BP神经网络的激光表面硬化指标预测模型源代码程序作为后台算法,开发出了一个用于HT150气缸套激光表面硬化指标预测系统,该预测系统实现的主要功能是：当已知材料及所选用的工艺参数时,可以对激光表面硬化加工后的硬化层深度和表面硬度进行预测,操作时用户只需输入三个已知工艺参数值：激光功率,扫描速度和光斑直径等,该预测系统能够在试验之前就预测出在一定的工艺参数条件下的硬化层指标(表面硬度值和层深值)；其次,利用神经网络预测系统与正交试验方法相结合的途径来确定最佳工艺参数,具体地就是为避免盲目随机选取试验数据和减少试验次数,先采用正交表来安排试验方案,设计了多组工艺参数,然后利用已开发的激光表面硬化指标预测系统对这些组数据中的每一组分别进行预测而得到了表面硬度和层深值,代替了具体试验,接着对这些组数据和预测结果进行激光表面硬化的正交分析(包括表面硬度的正交分析和层深的正交分析)而得到一组最佳工艺参数(P,VD)值,最后按这组最佳工艺参数(P,VD)进行一组补充激光表面硬化实验,将实验得到的层深与表面硬度值,与用预测系统得到的层深与表面硬度值进行比较来进一步验证了该预测系统的正确性；再者,以上面设计的这些组数据和得到的硬化结果为依据,研究了单一激光工艺参数(激光功率P、扫描速度V、光斑直径D)分别对硬化指标(表面硬度、层深)的影响规律,同时,提出了一个综合影响因子P/(DV)值,并研究了该综合影响因子P/(DV)值对硬化层指标(表面硬度、层深)的影响规律。最后,针对汽车发动机缸体修复,将前面的汽车缸套实验与理论研究成果应用于汽车发动机缸体的回收、修复中。