随着钢铁行业绿色化、信息化和智能化的发展,传统的模型自学习方式因调节的滞后性导致质量余材较多,已逐渐不适应热轧带钢定制化生产的要求,亟需增强模型参数的精准设定和动态自适应能力。神经网络因其具有非线性映射和良好的泛化能力,在热轧领域也获得了较多的应用,但将神经网络与热轧数学模型相结合并应用于在线设定和自适应计算的情形并不多见,随着智能化轧制技术的发展,也迫切需要结合神经网络与现有的轧制模型来建立具有高自适应能力的热轧数学模型。本文以某1780mm热连轧数学模型课题为背景,研究提高换规格首块钢尺寸精度,在消化现场神经网络技术的基础上,创建复合型神经网络,构建现场神经网络的孪生体,破解网络程序黑箱,为指导现场调试提供了工具,进而提升了换规格首块钢的尺寸和温度精度。论文的主要研究内容如下:（1）对热连轧主要数学模型的模型原理与模型结构进行了研究,在此基础上对现场二级程序进行解析研究,提取出摩擦模型、前滑模型、变形抗力模型、轧制力模型、轧制力矩模型和轧制功率模型,提出了神经网络与数学模型的两种结合方式。（2）设计了基于自适应线性神经网络和径向基神经网络的复合型神经网络的网络结构、数据处理方法与离线训练算法,并利用Matlab软件开发了“复合型神经元网络预报热轧轧制模型参数软件”,该软件具有10项轧制模型关键参数的预测功能。（3）基于现场70000组训练数据,对具有11个输入,1个输出的热轧变形抗力修正网络进行训练,再利用8750组数据进行预报,预测相对误差在5%、10%和15%的比例分别为43.39%、72%和88.03%,对比单一的BP网络和RBF网络的预测结果,复合型变形抗力修正网络的均方误差MSE更小,决定系数R值更高,平均绝对百分误差MAPE和相对误差的标准差RESTD也更小,网络性能指标更优,具有更高的预测精度。（4）基于现场30000组训练数据,对具有27个输入,1个输出的精轧宽展预报网络进行训练,再利用3750组数据进行预报,预测相对误差在5%、10%和15%的比例分别为44.82%、73.36%和85.7%,对比单一的BP网络和RBF网络的预测结果,复合型宽展预报网络具有较高的预测精度,网络性能指标更优。