在汽车核心零部件制造等关键领域，复杂铸件出现缺陷的后果尤为严重，因此对复杂铸件进行缺陷预测并提高其生产质量刻不容缓。本文针对实际铸造过程中采集到的 6DM 气缸体复杂铸件生产数据中气孔、砂眼等缺陷类别的数据量严重不平衡问题，对基于数据合成与机器学习的 6DM 气缸体复杂铸件缺陷预测进行研究，梳理了人工神经网 络与复杂铸件缺陷预测的研究现状，结合企业现场生产情况，开展了需求分析，获取 6DM 气缸体复杂铸件生产数据。并基于 SMOTE(synthetic minority oversampling technique)算法，创建了合成数据集，采用合成数据集作为训练模型的数据集，预测准确率达到 99.37%。 结果表明，构建的复杂铸件缺陷预测模型能够准确预测复杂铸件缺陷。