La soldadura por fricción (FSW) se considera un proceso de unión importante para la próxima generación de aleaciones de aluminio aeroespacial. Sin embargo, el rendimiento del proceso FSW a menudo sufre de baja precisión y un largo ciclo de prueba. Para superar estos problemas, se desarrolló un modelo de aprendizaje automático basado en una red neuronal de retropropagación (BPNN) para optimizar la FSW de aleaciones de aluminio 2195. Se estableció una relación de mapeo de cuatro dimensiones entre los parámetros de soldadura y las propiedades mecánicas de las uniones a través del análisis y la minería de datos de FSW. Se realizó la optimización inteligente del proceso de soldadura y la predicción de las propiedades de las uniones. Se analizaron las características de formación de la soldadura en diferentes parámetros de soldadura para revelar el mecanismo metalúrgico detrás de la relación de mapeo del proceso-propiedad obtenida por el modelo BPNN. Los resultados mostraron que la precisión de predicción del método propuesto podría alcanzar el 92%. Los parámetros de soldadura optimizados por el modelo BPNN fueron 1810 rpm, 105 mm/min y 3 kN para la velocidad de rotación, la velocidad de soldadura y la presión de soldadura, respectivamente. En estas condiciones, se encontró que la resistencia a la tracción de la unión era de 415 MPa, lo que se desvió del valor experimental en un 3.71%.