随着社会的不断发展,各个行业对高质量板带钢的需求也越来越迫切。板形是衡量板带钢生产水平的重要指标之一,想要生产出符合标准的板带钢,板形的识别与控制必须满足一定的精度和实时性要求。近些年人工智能、深度学习理论发展迅速,为许多传统行业注入了新的活力,数据驱动的建模方法得到了广泛应用。本文在板形识别的工程背景下,改进了常规的径向基函数(Radical Basis Function,RBF)神经网络板形识别模型,并以现场可编程门阵列(Field Programmable Gate Array,FPGA)为载体对RBF板形识别模型的实现技术做了进一步的研究。首先,对常规RBF神经网络板形识别模型进行了深入研究,针对其人为提取特征的局限性,引入了主成分分析(Principal Component Analysis,PCA)的方法进行改进,构建了基于PCA特征提取方法的RBF神经网络板形识别模型。分别以模拟板形数据、某900HC可逆冷轧机实测板形数据来验证方法的可行性,仿真结果表明了该方法的有效性。其次,借鉴多模型控制缩小建模范围来提高精度的思想,建立了多RBF神经网络板形识别模型。该模型中各子网络以遗传算法(Genetic Algorithms,GA)分别优化,从而细化模型输入对于每个板形特征参数的影响。仿真结果表明模型对每个特征参数识别精度都有所提高,达到了整体上提高板形识别精度的目的。最后,本文在理论研究的基础上进一步联系实际,把在MATLAB(Matrix Laboratory)中建立的RBF板形识别模型向ISE(Integrated Software Environment)做了映射实现研究。仿真结果表明精度和实时性可以满足实际工程需要,证明FPGA是一种可行、可靠的模型实现技术,为设计应用到实际生产奠定了基础。