在冷连轧过程中,钢材的厚度精度是评价带钢产品质量最重要的指标之一,而高精度的张力控制是高质量钢材轧制生产的必要条件,两者都具有重要的意义。然而,在冷连轧生产过程中,带钢的厚度与张力之间存在的动态耦合特性,妨碍了各个变量作用的独立性,使得系统的控制难度较大,限制了钢材产品的质量提高。本文的主要工作和贡献如下:首先,对冷连轧过程厚度自动控制中的前馈AGC、秒流量AGC与测厚仪式AGC进行了简要描述;对冷连轧过程张力自动控制中的直接张力控制、间接张力控制与复合张力控制进行了简要描述;结合参考文献中的数学模型,得到了厚度与张力的耦合模型,该耦合模型为连续模型,在仿真过程中作为被控对象,验证控制器的作用效果。然后,采用等效静态网络与EKF算法设计了一种递归神经网络的学习算法,推导出了相应的计算公式,并简要证明了该学习算法的有效性。紧接着,在传统的模型预测解耦控制的基础上,利用递归神经网络的学习能力提取被控对象的动态特性,建立了一种基于递归神经网络的模型预测解耦控制方法。最终,针对厚度与张力耦合模型,利用递归神经网络的学习能力提取其动态耦合特性,从而利用基于递归神经网络的模型预测解耦控制进行厚度与张力的解耦,并给出了该控制器的示意图。相关的仿真实验结果显示,基于递归神经网络的模型预测解耦控制能够有效地补偿厚度与张力之间的相互作用。