板形识别是板形闭环控制系统的基础。它把在线检测到的一组应力分布离散值，经过一定的数学模型的处理，映射为较少的几个特征参数。在工业生产中的最小二乘方受板形仪检测误差及个数的限制，不能精确的获得足够多的输入数据难以满足工业生产的需要，因此本文引入神经网络方法来解决板形识别问题。首先，为解决板形识别领域中，板形应力采集数据维度高，结构复杂，以及基于神经网络的板形识别模型参数的初值难以确定和参数难以优化的问题,提出了基于SVM分类的分布式神经网络模式识别模型。利用SVM将板形数据进行分类后分别输入到对应的识别子网络，同时利用基于核函数的SVM与三层神经网络的等价性，将训练好的SVM参数传递给RBF识别子网络，即按训练结果设置RBF子网的中心、宽度、权值的初值，并依据支持向量的个数构建RBF子网的隐层。其次，板形应力采集数据集作为神经网络的训练数据，数据量大，噪音多，导致神经网络训练时间长，难以收敛并且精度不高。为了解决此问题，提出了基于PSO优化的神经网络训练算法。将神经网络的学习误差作为PSO算法的适应度值，用全局求解的PSO算法在整个隐层空间内为神经网络寻找最优参数解，并提出了高斯动态惯性权值的PSO算法以提高PSO算法的优化性能。最后将分布式神经网络模式识别模型和基于PSO的神经网络训练算法应用到板形识别的具体问题，提出了分布式RBF神经网络板形识别模型的构建方法和训练算法，并选取了1220冷连轧机板形数据进行仿真分析，对基于SVM分类的分布式神经网络板形识别模型的可行性进行评估。