在轧制领域中,随着热轧技术的发展,热轧带钢的市场需求日益增加,对产品质量要求越发严格,其中表面质量是热轧带钢产品质量最重要的指标之一,如何有效的诊断表面质量缺陷成为了轧制领域研究的热点。本文基于缺陷机理分析结合深度学习方法建立高准确率的表面质量缺陷诊断模型,对于热轧带钢生产过程中表面质量缺陷的诊断与分类有一定的指导意义和应用价值。本文综述了热轧带钢表面质量缺陷机理研究现状,深度学习的发展现状,深度学习在轧制领域的应用,针对目前研究存在的不足,提出基于缺陷机理分析结合深度学习方法建立表面质量缺陷诊断模型。选取工厂生产过程中最常见的氧化铁皮压入缺陷、边部翘皮缺陷、边部裂纹缺陷等三种表面质量缺陷进行机理分析,整理热轧带钢表面质量缺陷诊断模型需监测参数。基于经典深度置信网络提出一种改进深度置信网络,分别搭建了三个基于改进深度置信网络的表面质量缺陷诊断模型,实现了对缺陷较高的预测准确率,对氧化铁皮压入缺陷、边部翘皮缺陷、边部裂纹缺陷的预测准确率分别为86.7%、87.9%、90.0%,整体平均预测准确率达到88.2%。又基于稀疏自编码器搭建了深度稀疏自编码器表面质量缺陷诊断模型,该模型的缺陷整体平均预测准确率为88.1%。结合深度置信网络与稀疏自编码器各自的优点,建立了一种基于SAE-DBN混合深度网络缺陷诊断模型,在改进深度置信网络诊断模型和深度稀疏自编码器诊断模型的基础上,预测准确率分别提高了6%和6.2%,能够有效的对表面质量缺陷进行诊断。在SAE-DBN混合深度网络诊断模型的基础上,利用Lab VIEW软件搭建了热轧带钢表面质量缺陷在线诊断系统,实现了参数监控、诊断模型在线更新训练、缺陷诊断和数据存储等功能。