近年来随着市场对带钢产品质量要求的日益提高，提高热连轧带钢质量具有广泛的经济和社会效益。热连轧带钢质量指标很多，而主要质量指标包括厚度、宽度、表面质量、力学性能等，而带钢厚度质量又是其中重中之重，一直是国内外轧钢企业普遍关注的焦点。热连轧带钢生产过程是一个复杂的、动态的、非线性的控制过程，本文重点分析研究热连轧带钢厚度质量。　　 首先概述了热连轧带钢的质量指标和热连轧带钢生产工艺过程环节，总结了常见的预测技术及其在轧钢工艺上的研究与应用。然后以带钢厚度为研究目标，分析研究热连轧带钢厚度质量控制设定模型和带钢厚度偏差的原因。针对轧制工艺上广泛应用的厚度自动控制系统(Automatic Gauge Control，AGC)，依据P-H原理图，详细探讨AGC厚度波动调整过程及常见的自动厚度控制方式。　　 在上述分析基础上研究了人工神经网络算法，由于传统误差反向传递(Error Back Propagation Network，BP)神经网络容易产生“过”训练导致网络泛化能力降低，本文采用贝叶斯正则化方法改进传统神经网络算法，通过在神经网络的目标函数中引入了表示网络结构复杂性的约束项，缩短网络训练时间，保证训练误差稳定，避免了网络的过拟合以提高网络的泛化能力。　　 最后本课题结合济钢1700mm热连轧带钢生产过程，应用iba Analyzer获取带钢厚度控制过程历史数据并通过带钢厚度数学模型计算，计算结果用于精制初次设定，将轧制过程实时数据和计算数据项作为样本数据，运用改进后的神经网络——贝叶斯正则化神经网络进行热连轧带钢厚度预测，其预报精度、训练时间和网络稳定性均优于传统神经网络预测。由于带钢塑性系数与带钢厚度调节密切，加之其变化难测性，本文提出通过贝叶斯正则化神经网络综合进行前馈和反馈预测带钢出口厚度和塑性系数Q，改进热连轧带钢厚度控制系统，进一步提高热连轧带钢厚度质量。