近年来,作为第四次工业革命的核心,人工智能在模式识别领域扮演着越来越重要的角色,其在语音、自然语言处理、计算机视觉、机器学习、知识图谱识别、分类、跟踪等方面的应用越来越广泛,人工智能在逐步的改变人类社会的各个方面。作为国民经济的支撑行业,钢铁工业一直以来都是备受关注的。随着科学技术的不断进步,各行各业对板带材质量的要求越来越严格。而轧制出高质量的板带材的首要任务就是提高板形模式识别的精度。将人工智能引入到板形模式识别当中,不仅可以提高板形模式识别的准确率而且还能加快识别速度。基于此本文的主要研究工作如下:针对在板形信号的测量当中存在噪声信号的问题,首先利用双变量阈值小波去噪,解决了软、硬阈值函数在处理小波系数方面存在的问题,使得去噪的效果更好。为了提高板形模式识别的准确率,提出基于支持向量机的板形识别模型。支持向量机在解决小样本、非线性和高维数的建模问题上,表现出较强的学习能力和泛化能力。将去噪后的板形信号离散化,作为支持向量机的学习样本,引入布谷鸟算法优化支持向量机的参数。仿真结果表明,相比于粒子群、遗传和网格搜索算法,布谷鸟优化算法所需匹配的参数少,而获得的最优解更好。考虑到在实际信号当中,在去除噪声的同时,保留信号的奇异性也很重要,提出自适应阈值函数的小波去噪方法。针对支持向量机只适合单输入、单输出系统的问题,提出终端滑模模糊神经网络的板形识别模型。利用终端滑模权值调整律代替梯度下降法的权值调整律,提高网络的精度。引入布谷鸟算法优化模糊神经网络的模型参数,进一步提高识别的精度和收敛速度。仿真结果表明,提出的识别模型取得了更好的识别效果。