由于汽车、船舶、高铁、航空航天等的飞速发展，社会对高性能钢材的需求量不断增加，如何减低钢材生产成本、提高生产效率并保证质量已成为当务之急。实践证明，钢材性能和生产过程中的工艺参数之间存在典型的非线性映射关系，无法在研究中用普通的数学模型进行描述，而BP神经网络不需要预先设定函数形式，能够对强非线性数据进行建模、拟合和预测，在处理复杂的多元非线性问题时具有良好的性能。但由于难以克服BP神经网络在初始权值和阈值选取方面的难度，以及易陷入局部最优解等固有缺陷，目前对钢材性能进行预测的BP神经网络模型还不够完善。为了克服BP神经网络算法的固有缺陷，增强其在钢材生产实践和事故调查中应用实效，提出了对BP神经网络算法的改进措施，并通过排列组合建立了钢材性能、温控工艺和化学成分添加工艺三组数据的6种交叉预测模型。该方法将遗传算法与小生境技术和禁忌算法相结合，优化了BP神经网络初始权值和阈值的选取，避免陷入局部最优解；利用Cauchy误差估计器代替传统均方差估计器，改进了BP神经网络误差统计方法，降低少数异常输入元素对结果的影响。实验结果表明，所有模型训练后检验精度均较高，总体平均相对误差较小，证明了该算法模型具备良好的预测能力和现实可行性。