由于目前测试技术的限制,在生产过程中对工件内部温度的检测比较困难,为了获得工件内部的温度,研究工作者应用集中参数、回归分析等方法对工件热状态进行了数学描述,但大多数方法太复杂或考虑生产实际情况不够,而很难为工程实际所应用。热处理炉内工件温度及其分布是衡量工件加热质量以及实现炉子自动控制的重要依据之一,合理的控制工件温度可以提高工件加热质量,降低炉子燃料消耗。但是在实际生产过程中,目前的传感器技术还不能在线测量工件内部的温度分布,如何精确及时测得工件温度是实现自动控制的前提,也是产品质量的保证。为了解决工件温度的检测和控制,本文运用软测量技术,建立工件温度检测模型,并对工件温度进行预测。本论文主要对炉内工件表面温度、内部温度场分布进行了深入研究。研究内容主要包含以下三个方面:(一)、工件表面温度软测量模型的研究。基于人工神经网络的软测量可在不具备对象先验知识的条件下,根据对象的输入输出数据直接建模,适用于高度非线性和严重不确定性系统,这里选用RBF神经网络建立工件表面温度软测量模型且对此模型进行了验证分析。(二)、工件内部温度场软测量模型的研究。利用机理建模的方法对工件内部温度场分布进行了计算,并对内部出现的各种温度场情况进行了仿真分析。(三)、工件表面温度误差对其内部温度递推的影响。主要分析了工件表面温度误差会对其内部温度分布有什么样的影响、内部温度误差随表面温度误差的变化规律,并且提出了总对流换热系数的修正方法。本论文在PC机上用VB、Matlab编程实现了论文中提到的所有模型算法。实验结果表明,采用这些软测量模型,实现了工件内部温度难以检测的难题,同时能够对工件温度分布进行有效的预测。