板形是衡量冷轧带钢品质优劣的重要评价指标之一，虽然我国钢铁产量呈良好的发展趋势，但是带材的整体质量不高，各大钢材加工厂商均致力于板形控制以改善带材的板形情况。取得良好板形的前提是实现板形的在线检测，但是采用接触式检测方法易划伤带材表面，因此对于带材板形非接触式检测方法的研究具有重要的现实意义。　　为了在板形控制系统中得到准确、实时的板形信息，本论文根据实际轧钢生产现场板形仪的技术要求提出了一种基于张力—振幅的多传感器融合板形检测方法，其创新之处在于通过激振法分析板形与振动幅值的关系。在建立张力—振幅的函数模型过程中，与传统有限元分析方法相比，本课题采用改进型BP神经网络回归算法有效的解决了精确函数模型难以建立问题。　　本论文完成的主要工作有:　　1、搭建了模拟板形检测系统实验平台，根据安装尺寸需求制作了电涡流传感器阵列，在此基础上设计了传感器的信号放大、滤波电路。　　2、对带材进行静态标定实验，建立张力—振幅—吸附力的函数模型;在动态采集实验中运用多种软件滤波算法对信号进行滤波、平滑以及特征值的提取，将实验中测得的振幅、吸附力带入已建立的函数模型中即可反向求出张力的大小。　　3、对多个单一传感器采集的张力值进行数据融合，描绘了带材整体的张力分布曲线，同时保证了在某一传感器失效时仍然能够较为准确地获得板形曲线。　　4、最后设计了验证性的实验，将预测值与电阻应变片检测真实张力值对比，并进行误差分析，证明了该方法在实际应用中的可行性与准确性。为后期在线板形检测仪的研制提供了良好的理论基础。