发动机燃烧过程的高精度建模是性能预测、控制优化与故障诊断的基础．但是在复杂工况下Wiebe放热率模型中固定的特征参数难以适应工况变化，需要针对发动机的工况特点优化Wiebe方程中的燃烧特征参数．神经网络在非线性特征参数提取方面有一定优势，其结构参数的选取直接影响了发动机燃烧模型参数计算的工作量．因此针对发动机缸内燃烧的动态过程，采用0维燃烧Wiebe放热率模型与多层感知网络（MLP）相结合的方法，通过智能体批量配置神经网络参数（层数、神经元数和激活函数），基于Matlab/Simulink自动执行燃烧过程仿真．在222个稳态工况点下对24组神经网络结构进行5折交叉验证，结果表明：预测的缸内压力峰值平均相对误差(p

max

MRE

)为2.145%；双隐藏层网络（第1层16个神经元，第2层8个神经元）的最优精度为2.124%，较固定特征参数的Wiebe放热率模型（4.415%）预测的缸内压力最大误差减小了51.9%，较纯神经网络模型（2.742%）的误差减小了22.5%．使用智能体进行自动化调参并训练可使效率提升4.8～5.7倍．