钢铁工业水平是衡量一个国家工业化的重要指标。无论建筑、桥梁还是汽车制造等各行各业对热轧带钢产品的要求越来越苛刻。屈服强度、抗拉强度和延伸率是反应热轧带钢产品力学性能的重要指标。由于钢铁冶炼过程的动态性、复杂性、非线性等特点,热轧带钢的性能预报一直是冶金自动化的难题。传统的钢铁力学性能的预测,在随机采样后通过破坏性试验进行,这种方式会耗费大量的时间和精力。深度学习作为机器学习算法中一个新的发展方向,近年来在各个领域中大放异彩。深度学习以其出色的特征提取能力,受到了越来越多研究者的青睐。在深度学习中,最具代表性的模型便是卷积神经网络和循环神经网络。卷积神经网络能够从海量的数据中自动学习数据中的特征,它的局部连接方式和权值共享的特性有效减少了网络中需要计算的参数个数,降低了模型复杂度。循环神经网络能从数据中学习到时间序列的关系,解决了传统神经网络不能记忆的问题。基于以上分析,本文提出将深度学习技术应用至热轧产品的力学性能预报问题中。首先,本文基于卷积神经网络建立了热轧带钢性能预报模型,以屈服强度、抗拉强度和延伸率作为研究对象,构建了以热轧产品化学成分和工艺参数为输入变量,以力学性能为输出变量的预报模型。并针对卷积神经网络模型的结构和参数选择上进行大量对比实验,优化确定模型的结构,验证了该卷积神经网络模型在热轧带钢力学性能预报问题上的有效性。接着,考虑到传统神经网络模型不能反应热轧生产线的渐变性和连续性,本文进一步提出了用循环神经网络进行钢铁性能预报的方法。最后将实验结果与传统的SVM、BP神经网络模型进行了对比,结果表明本文提出的算法可以有效的预测钢铁力学性能,在预测精度和泛化能力上要优于传统模型。