近几年来,热轧钢材已广泛应用于建筑、桥梁、管道、汽车、船舶、铁路、工程机械、压力容器等许多行业和领域。这些关键领域都密切涉及到民生和公共安全,因此要求热轧产品必须具有良好的产品质量,特别是抗拉强度、屈服强度和延伸率等力学性能。传统的热轧产品质量检验会随机抽取少量样品来测量这些样品钢的力学性能。然而,这种抽样检验的方式会花费大量的时间和人力。钢材在冶炼和热轧过程中,轧件的微观组织会发生一系列复杂的变化,直接决定了钢材本身的力学性能。因此,用化学成分和热轧工艺参数预测其力学性能具有重要的理论意义和应用价值。由于热轧生产是一个高实时性的动态工艺过程,会受到各种随机因素的干扰,同时也包含了海量的工艺参数。因此,Irvine提出的理论数学模型预测方法基于很多近似的假设,仅适用于理想环境和理论分析。近年来,随着人工神经网络的提出和发展给热轧产品性能预报提供了有效的技术工具,预测精度得到了极大的提高。然而,由于人工神经网络结构和学习算法的限制,对当前海量的实时工业生产数据已经无法得到有效的训练和学习,不能满足用户日益提高的精度预测需求。本文提出基于深度神经网络的热轧产品性能预报模型,利用深度前馈神经网络和卷积神经网络实现了从钢铁成分和热轧工艺到力学性能的预报模型。利用两个热轧厂的50000多条热轧数据,以及Google的Tensorflow平台实现了对应的算法和模型。本文首先通过对比实验,证明了深度前馈神经网络对比浅层神经网络在钢铁性能预测上的可行性和优越性,并获得了较好的精度提升。更进一步针对前馈神经网络不能挖掘特征参数之间关系的缺点,提出了通过卷积神经网络进行钢铁性能预测的方法。本文在分析了两种模型的基础上,结合实验中出现的过拟合等问题,使用Dropout,Batch Normalization等各种技术对网络模型进行改进。实验结果验证了本文算法的有效性和可靠性,可有效提高热轧产品性能预测的精度。