目前,热轧带钢生产者越来越关注其产品的质量稳定性及生产线的柔性生产能力,传统的钢铁生产面临着新的竞争,技术需进一步改善。钢材软测量模型在热轧中的应用是解决上述问题的关键和必要手段。本文通过比较和筛选建立了基于BP神经网络的软测量模型。整理网络训练所用数据是建立热轧组织-性能BP神经网络软测量模型的首要工作。本文针对现场采样数据存在噪声的缺点,借鉴数据挖掘的思想,分析处理了从生产现场采集的数据,削弱了数据中存在的噪声,为BP神经网络模型的建立提供了真实、可靠、充分的数据样本。之后,基于传统热轧工艺参数选取经验,从数据样本中选取BP网络所需的输入和输出节点参数,其中输入参数为原始化学成分及热轧工艺参数,输出参数为组织力学性能参数。BP网络反映的是化学成分／工艺参数与力学性能之间的映射关系。在VC集成编译环境下,使用C++语言编程建立了基于软测量技术的改进BP神经网络模型。该模型包含三个隐含层,网络训练过程更加完备,改善了模型精度,但同时也增加了BP网络的训练时间,使时间由原来的0.06127秒／次增加到了0.07583秒／次。将建立的三层模型用于钢材力学性能测试,测试效果比较满意,达到了提高测试数据精度的目的,屈服强度测试误差提高到了16.8098Mpa,抗拉强度测试误差提高到了10.7411Mpa,延伸率测试误差提高到了4.1932。最后,针对BP网络训练速度较慢及精度不足的缺陷,分别采用几种优化方法对模型进行改进,并通过实验分析其改进效果。