La diferencia en el grado de curado del compuesto en un autoclave es uno de los principales parámetros de caracterización de la uniformidad del grado de curado del material compuesto. Por lo tanto, es muy importante desarrollar un método efectivo para predecir la diferencia en el grado de curado de un autoclave de compuesto para mejorar la uniformidad del grado de curado de los materiales compuestos. Investigamos cinco modelos de aprendizaje automático: un modelo de red neuronal completamente conectada (FCNN), un modelo de red neuronal profunda (DNN), un modelo de red neuronal de función de base radial (RBF), un modelo de regresión de vectores de soporte (SVR) y un modelo de vecinos más cercanos (KNN). Consideramos la tasa de calentamiento, el tiempo de mantenimiento y la temperatura de mantenimiento del perfil de curado en dos etapas del material compuesto como parámetros de entrada y establecimos un modelo de estimación rápida de la diferencia máxima en el grado de curado en cualquier momento durante el proceso de moldeo. Simulamos el proceso de moldeo del material compuesto en un autoclave para obtener la máxima diferencia en el grado de curado como datos de muestra de prueba para entrenar los cinco modelos de aprendizaje automático y comparamos y verificamos los diferentes modelos después del entrenamiento. Los resultados mostraron que el modelo de red neuronal RBF tuvo el mejor efecto de predicción entre los cinco modelos y el RBF fue el algoritmo más adecuado para este modelo.