连铸坯质量主要指低倍结构、中心偏析、中心疏松、中心缩孔、内部裂纹和夹杂物含量水平以及表面气孔和皮下气孔。连铸坯中心偏析和内部裂纹、中心疏松、中心缩孔的存在严重影响钢材的综合性能和铸坯的轧制成材,成为铸坯内部质量的主要影响因素；而夹杂物含量水平以及表面气孔和皮下气孔则成为铸坯表面质量的主要制约因素。而本论文结合某大型钢厂现场生产数据,分析讨论工艺和设备因素对铸坯表面和内部质量的影响规律,继而采用人工神经网络的BP算法,建立了连铸坯中心偏析和中间裂纹、中心疏松、中心缩孔、三角裂纹以及杂物含量水平以及表面气孔和皮下气孔的BP人工神经网络预测模型。主要结论如下：当钢中碳和硫含量高、Mn/S小、中间包钢水过热度大、铸坯拉速大、二次冷却强度大、设备条件(辊缝误差、辊子对中)等相关因素恶化时,中心偏析、中间裂纹和三角裂纹缺陷等级较大样本出现的概率明显增大。当电磁搅拌的电流、频率、中间包钢水过热度、铸坯拉速、钢中碳含量等因素发生变化时,中心疏松、中心缩孔等级较大的样本出现的几率明显的变大。当铸坯拉速、结晶器的振动频率、振幅以及水口的插入深度、吹Ar量、中间包钢水过热度发生变化时,小颗粒杂质出现的概率明显的变大；当电磁搅拌的电流、频率、中间包钢水过热度、铸坯拉速、吹Ar量大小发生变化时,皮下气孔、表面气孔的出现的概率明显的变大。通过建立以上所讲到的能够反映和影响铸坯表面质量和内部质量的种种因素的BP人工神经网络的预测模型,结合应用MATLAB语言的仿真程序,首先选出若干组的样本数据,从中选出一半的样本数据作为训练样本,另一半的样本数据作为预测样本。通过BP人工神经网络预测模型,从预测样本中得到相应的预测数据,然后通过与实际样本测试数据进行比较,在误差允许的范围内,预测数据完全的准确；因此,以后我们就可以不用等待最后的铸坯出来,根据一些相关的影响因素的,就可以知道以后铸坯质量的具体情况。