随着经济的发展，钢铁市场对热连轧板材质量的要求越来越高，为满足市场需求，近些年，学者们对基于人工神经网络技术的热连轧板材质量模型的研究非常活跃。他们提出了一些热连轧板材质量模型，如BP神经网络、径向基网络、模糊网络等神经网络模型，但这些热连轧板材质量模型的测试命中率难以满足厂方要求，为此，本文主要做了以下工作：首先，综述了BP神经网络、小波神经网络和粒子群优化算法（Partical SwarmOptimization-PSO）的相关理论；分析了热连轧板材的生产过程，获得了板材质量数据，确定了数据的输入输出变量，阐述了热连轧板材的质量要求。其次，构建了新的粒子群优化小波神经网络。通过分析粒子群优化小波神经网络，可知该网络采用粒子群算法的搜索迭代公式调整网络参数，能很好的跳出局部极小值点，具有局部寻优特点，但是误差不能以最快的速度达到极小值；为此新的网络首先采用小波神经网络计算误差，然后再对小波神经网络的各种参数采用基于梯度下降的误差反传算法和粒子群算法（PSO）相结合的方式进行修正。网络不仅能以最快的速度达到极小值，而且能跳出局部极小值点；对构建的网络模型进行实例仿真，结果表明，新的粒子群优化小波神经网络质量模型的测试命中率提高了9.8%，训练时间缩短了28分钟20秒。最后，基于新的粒子群优化小波神经网络设计和实现了热连轧板材质量预测系统。系统实现了数据样本存入数据库、网络参数的设置、算法参数的设置、训练与测试的功能。该系统可以对给定的热连轧板材质量数据进行建模和预测。