在热连轧生产过程中,带钢温度对带钢质量有重要影响,是决定成品带钢加工性能和物理性能最为重要的参数。带钢产线上主要分布有加热炉后、粗轧后、精轧前、精轧后和卷取前五个测温装置。而测温装置所处环境相对恶劣,使其成为轧制生产系统中最易发生故障的部位之一。当测温装置发生故障时,将不能获得带钢的真实温度,使轧制成品的质量达不到标准,故需要对热连带钢生产线上多测温装置进行故障诊断。本文以粗轧后温度为起点,卷取前温度为终点,提出单工序故障诊断与生产线相结合的多测温装置的故障诊断机制。本文采用基于BP（Back Propagation,BP）神经网络和基于深度置信网络（Deep Belief Network,DBN）的方法分别建立精轧前、精轧后和卷取前三个测温装置故障诊断模型,完成对这三个测温装置运行状态的初步诊断。首先,为实现对各工序测温点带钢温度的准确预报,建立了各工序测温点的温度预报模型,利用模型的预测值与实测值之差作为故障残差,从而进行故障诊断。在应用两种方法建立温度预报模型时,涉及到模型输入输出参数的确定、数据的归一化处理、模型结构的确定以及网络的评价等工作。其中,最重要的是对模型结构（BP神经网络为隐层数和隐层节点数,DBN模型为RBM的个数和隐层节点数）的训练与测试,得到最优的模型结构。其次,通过对两种方法温度预报效果的对比分析,得到基于DBN的方法在预报精度与预报稳定性方面要优于BP神经网络的方法。最后,对两种故障诊断方法进行故障仿真,验证两种方法用于测温装置故障诊断的可行性。各工序轧制温度存在前后的影响关系,前一道工序的带钢温度测量值将会作为后一道工序故障诊断模型的输入,故这四个测温装置的最终状态还需要结合各带钢温度在故障诊断模型中的关系判断。本文提出了产线多测温装置故障诊断逻辑,即出现连续故障时,利用前一道工序轧制温度的预测值代替其测量值作为下一道工序故障诊断模型输入的方法进行故障诊断。为对两种方法的诊断效果进行对比,以精轧后和卷取前测温装置的故障诊断为例进行故障仿真,结果证明虽然两种方法在故障诊断精度上差别不大,但是基于DBN的方法在故障诊断稳定性上要优于BP神经网络的方法。结合前者在温度预报的精度和稳定性方面都优于后者,故选择基于DBN的方法建立单工序故障诊断与生产线相结合的多测温装置的故障诊断机制。最后对多测温装置进行故障仿真,由仿真结果可知,本文提出的故障诊断方案可以用于热连带钢产线多测温装置的故障诊断。