21世纪以来,随着计算机运算能力的大幅度提高,神经网络在诸如土木工程、生物学、图像识别等多种领域中得到了越来越多的重视。近些年,众多行业和领域在机器学习研究中也投入了越来越多的精力和资金,在作为世界经济发展的支柱型行业之一的建筑与土木工程领域中,传统计算技术正在与机器学习算法相融合,从而推动技术进步和基础产业的升级换代。另一方面,比例边界有限元方法作为一种新发展的半解析计算科学,其与机器学习的结合应用仍然比较缺乏。将机器学习技术应用于比例边界有限元法当中,利用机器学习强大的映射算法,并展开对比例边界有限元法的应用探索,一定可以大幅度提高计算效率,推动实际工程的发展。基于此,本文主要进行了以下三个方面的研究:（1）基于多隐含层BP神经网络的预测回归理论,使用回归器预测S元网格刚度矩阵。对于多种由不同边长和不同边界细分情况组合的S元网格,采用比例边界有限元法计算出每种网格的单元刚度矩阵,并以此作为神经网络的训练集进行训练得到回归模型,利用得到的神经网络回归模型预测S元网格刚度矩阵的各个元素。（2）基于遗传算法优化的神经网络,使用回归模型预测比例边界弹塑性的切线刚度矩阵。采用不同的加载力、有效塑性应变和结构位移作为神经网络的输入特征,并通过计算得到大量训练数据,利用切线刚度矩阵的对称性对训练输出数据进行简化来提高训练效率。然后训练神经网络分别获得多个回归模型,回归模型每个输出代表着切线刚度矩阵的每个元素。（3）基于粒子群算法优化的神经网络,考虑到硬化模型选取的不同造成的塑性材料力学行为的区别,分别对各向同性硬化模型、随动硬化模型和混合硬化模型下的塑性材料在循环加载过程中的力学行为进行预测。将历史变量和应变作为输入特征,可以使神经网络学习塑性材料的历史行为,对不同应变增量下获得的输入特征进行训练得到回归模型,利用此模型模拟三种硬化模型下加卸载过程的应变-应力曲线。并结合matlab软件的GUI工具箱进行界面设计和程序编写,形成了界面美观、容易操作的设计软件,提高了研究效率。