高温合金铸件在航空航天、能源等领域具有重要应用价值，其性能很大程度上取决于晶粒尺寸。晶粒细化是改善高温合金铸件力学性能和服役寿命的关键手段之一。传统晶粒细化剂的选择往往依赖经验或试错法，效率较低且成本较高。广义回归神经网络（GRNN）作为一种高效的非线性回归工具，能够通过学习历史数据建立晶粒细化剂成分、工艺参数与晶粒尺寸之间的映射关系，实现晶粒细化剂的智能优选。本研究基于GRNN神经网络，结合高温合金铸件制备过程中的多因素影响，构建晶粒细化剂优选模型，为高温合金铸件晶粒细化提供数据驱动的优化方案，对提高高温合金铸件质量和性能具有重要意义。