钢铁企业在长期的生产过程中积累了大量的热轧产品质量数据,这些质量数据蕴涵了丰富的知识。利用这些数据来建立热轧产品的力学性能和化学成分以及轧制工艺参数间的相互关系,建立力学性能的预测模型,从而达到离线预测和在线控制的目的,对于指导热轧产品的生产,提高产品质量和生产效率有着积极的作用。本文结合钢铁企业的背景,以昆钢为例,对热轧板带的质量预测进行研究。由于热轧产品质量数据来源分散、复杂,本文首先进行数据的抽取、转换等过程,将化学数据、轧制数据、力学性能数据整合到一起。并运用数据仓库和数据集市理论,建立起热轧产品数据集市。在热轧产品数据集市的基础上,本文利用多元线性回归算法和神经网络理论分别建立以化学成分、轧制参数为输入,以力学性能为输出的三种质量预测模型：多元线性回归热轧板带质量模型、BP热轧板带质量模型和RBF热轧板带质量模型。经分析得出,BP模型90%的预测误差控制在5%以内,100%的预测误差控制在10%以内。BP模型的预测误差要比另外两种模型的预测误差小,其预测效果要比另外两种模型的预测效果好,达到了预测目的,具有一定的推广价值。最后,本文利用训练好的BP神经网络质量模型,研究化学成分和轧制工艺参数对产品力学性能的影响,对产品力学性能的在线预测和产品的轧制工艺优化与调整等有一定的参考价值。