提高产品性能一直是冶金工作者所致力追求的目标，为了达到这个目标，有必要在生产前对所要生产的产品性能进行预测，然后根据预报结果，设计钢种成分和加工工艺，从而降低研制成本，缩短研发时间。 国内一些钢铁公司生产的高碳钢高速线材存在着力学性能不稳定、拉拔断裂现象，给拉拔加工带来了很大的困难。钢材的化学成分和轧制时的工艺参数影响着高速线材的力学性能。然而生产过程中又不断的受到各种因素的干扰，并且高速线材的化学成分和工艺参数与产品的力学性能的关系很难用传统的数学模型准确的表示出来。换句话讲即使以牺牲一定的模型的精度对复杂模型进行工程简化后而得到一个满足系统实时性要求的模型，面对轧制过程中的诸如气候变化之类的干扰因素也显得力不从心。相比之下，人工神经网络技术在复杂系统建模方面显示出明显的优越性。它的对任意非线性映射的极强的逼近能力、对系统不确定因素的适应性和自学习能力、以及由其结构所决定的对大量信息的分布存储能力和并行处理能力，使其在复杂系统建模与辨识、系统动态行为输出的预报方面得到了广泛的应用。因此，笔者通过对人工神经网络和影响高速线材性能的各种因素的研究，建立了基于BP神经网络的轧制过程高速线材的性能预报模型。 本文共分三章，第一章是国内外研究动态及文献综述，包括课题来源与意义，国内外研究现状，国内外关于人工神经网络的研究和发展概述，及人工神经网络在材料加工中的应用；第二章论述了神经网络的基本知识，包括BP网络及其学习算法，BP网络的设计，MATLAB与神经网络工具箱，以及人工神经网络的发展简介及定性结论；第三章包括高速线材预报模型的基础研究和基于神经网络的高速线材的性能预报，在本章里，详细的分析了各个影响因素即化学成分和工艺条件对高速线材力学性能的影响，并通过对各个实验的对比分析建立了高速线材性能预报模型，本章还包括模型的应用，高速线构材性能预报模型在线应用技术的讨论，以及实验结论。 通过模型的应用，可以看出模型具有很高的精度，用模型预报的结果和实测值相比误差不大于10％，而且用模型预报的精度远远高于用现场公式或回归公式预报的精度。