钢材是国民经济发展中必不可少的物质基础,带钢作为主要的钢产品,已成为电气、汽车、民用等行业广泛使用的原材料。冷轧带钢在连续生产过程中,会出现各种各样的板形缺陷,影响后续轧制和带钢质量。因此,如何通过板形检测数据和模式识别方法,得到带钢板形缺陷类型和特征参数,提高板形识别的速度和精度,使后续轧制出的板形满足用户对带钢平直度的要求,是一个十分关键的问题。本文主要对板形缺陷模式识别进行研究,通过模型识别出的板形特征参数,分析板形缺陷识别方法的优缺点,并在此基础上提出板形缺陷识别的新方法。(1)针对传统最小二乘法不能识别复杂板形,而BP神经网络识别法权值难以确定的问题,将GA优化后的BP神经网络用于板形识别中。通过仿真分析,GA优化的识别模型,识别精度高于BP网络,但识别速度明显变慢,不适用于在线板形识别。(2)将K-均值RBF神经网络运用到板形缺陷识别中,通过K-均值聚类确定径向基函数的中心C,方差σ。针对网络输入较多,拟合复杂性增加的问题,采用加权欧式距离差将输入量由20个减少到3个。经过仿真实验,将GA-BP、GA-RBF和K-RBF识别方法进行比较,结果表明K-均值聚类的RBF方法能够准确识别出六种常见的板形缺陷类型,识别精度较高,速度最快。(3)由于最小二乘支持向量机(LSSVM)在非线性、小样本情况下模式识别效果较好,将LSSVM用在板形缺陷识别中。通过仿真表明LSSVM可以精确的识别出板形特征参数,五组样本的识别误差略低于K-RBF法,适用于冷轧板形的在线调节。通过上述研究表明,K-均值聚类的RBF法和最小二乘支持向量机法对板形缺陷的识别效果优于现在常用的BP神经网络法,符合板形在线识别结果精确、速度快的要求,可以应用到实际工程中。