本文运用BP神经网络理论，建立了热轧板带产品质量异常材改判的模型，影响板带产品质量异常材改判的因素主要有产品的化学成分、尺寸偏差、力学性能、外形偏差和表面缺陷。考虑到网络的复杂度，网络的输入层节点数定为8个，包括C、Mn、Si、P、S、屈服强度、抗拉强度和延伸率，输出层节点数定为1个，即类别号。由于钢厂技术人员对产品质量异常材的数据记录很少，本文采用C语言编程随机生成训练样本和测试样本数据。　　 在此基础上，网络实验通过比较网络的训练次数、样本拟合精度以及样本测试精度指标来确定网络的最佳参数。本文分别对网络的参数包括隐含层的神经元数、期望误差、初始权值、学习效率和动量因子、激活函数、误差函数和样本归一化范围进行实验后，选取了合适的网络参数，网络的最高测试精度达到86％。此外，本文对网络的训练样本集进行扩大，实验发现：网络原来的参数已不再适用，必须重新选取网络参数；样本集的增大，也易引起网络的过拟合现象，而正则函数的引入，能改善网络的过拟合现象。　　 本文运用SQL2000数据库整理了热轧板带产品信息，包括化学成分，力学性能，厚度偏差等级和表面质量等级，当BP神经网络训练完成后，质量异常材经过网络改判后，网络输出类别号，根据类别号，可以查询数据库质量异常材改判后的产品信息。