应用bp神经网络（bpnn）对超临界co2萃取油茶籽油过程进行了模拟和预测。研究了神经网络的构建、训练以及学习算法和隐含层结构的优化,并用得到的神经网络对不同原料平均粒径（0.215～0.625 mm）、压力（30～35 mpa）、温度（35～50℃）、co2流量（20～25 l/h）条件下的油茶籽油收率进行预测。结果表明：l-m算法是适宜的bp神经网络学习算法;具有5/8/1结构的bp神经网络的模拟性能最优;模型的预测值与实验结果吻合较好,大部分数据的相对误差小于3%,说明bp神经网络适用于超临界co萃取油茶籽油过程的模拟。完成机构：[1]福建农林大学材料工程学院,福建福州350002 [2]福建农林大学资源与环境学院,福建福州350002