由因得果，是为正问题，由果得因，则为反问题。反问题是相对正问题而言的，是其反过程。热传导反问题(IHCP)是反问题的一个分支，是相对于热传导正问题而言的。热传导反问题具有的非线性，不适定性，计算量大等特性，使得其求解比较困难，至今尚未形成应用范围广泛的计算方法。为此，本文针对一维常系数及二维变系数热传导反问题，采用BP神经网络算法及粒子群算法，求解得到热传导系数。　　 本文在详细描述了一维及二维热传导问题的数学模型及计算方法之后，给出了一维及二维热传导反问题的数学模型。依据神经网络算法的特点，提出了应用于热传导反问题求解的神经网络算法思路及计算过程。计算结果表明，对于一维热传导反问题，神经网络算法能够求解成功，但对于二维热传导反问题，则只有在系数a2、a3、a5、a6已知时，求解才能成功。　　 为了较好地求解二维热传导反问题，本文随后引入了粒子群算法。在结合粒子群算法的特点，将热传导反问题转化为优化问题之后，提出了应用于热传导反问题求解的粒子群算法思路及计算过程。经过计算，我们发现：与基本的粒子群算法相比，带惯性权重的粒子群算法在搜索后期的收敛性更好，在一维热传导反问题中，系数的计算值与标准值之间的误差居然可以达到不可思议的0.0％；在二维热导反问题中，各个系数的求解精度各不相同，系数a1、a4的求解精度较高，其他系数的求解精度较低。　　 热传导反问题的求解需要不断对正问题进行计算，这使得反问题的计算量很大。为此，本文提出并实现了粒子群的并行算法，所测得的并行加速比表明，算法的并行效率非常高，几乎达到理论最高值。　　 为了提高系数的求解精度，在给出系数敏感值的定义及算法之后，本文分析了各个系数求解精度差异的根本原因，并据此提出了系数求解精度经验定理。该经验定理认为，系数求解精度由其敏感值决定。对热传导模型进一步研究后发现，系数敏感值由温度场的温度值决定。基于此，本文提出了提高系数求解精度的优化方案。该优化方案分为三个阶段，各个阶段通过提高温度场初始及边界温度值的方式，逐步提高温度场的温度值，以提高各个系数的求解精度。计算结果表明，该优化方案能极大地提高系数a2、a3、a5、a6的求解精度。