随着计算机人工智能技术的快速发展,利用人工智能提高钢铁企业的市场竞争力,满足用户对钢种的特定需求是目前钢铁企业研究的重要目标。本文以某钢铁企业热连轧产品质量为研究背景,运用BP神经网络构建钢铁热连轧产品性能指标和钢铁化学成份与轧制工艺参数的逆模型,目的能够根据给定的钢铁性能指标求轧制工艺参数。为此,主要做了以下工作;1、分析研究论文选题背景与目前国内外有关BP神经网络逆模型和自适应逆控制算法的研究现状。并且综述了与论文研究相关的理论与算法：BP神经网络和自适应逆控制理论。2、分析内模控制理论的研究现状与基本原理。研究线性内模控制和神经非线性内模控制的设计方法,并通过实验验证了神经非线性内模控制具有消除扰动和鲁棒性的特点。3、结合BP神经网络、自适应逆控制与内模控制理论,建立了基于内模控制的多输入单输出(MISO)的BP神经网络逆模型,实现了BP神经网络输出变量和输入变量的逆映射,根据模型的输出变量可以求解出输入变量,并且给出逆模型求解的具体算法步骤。4、根据某钢铁企业生产某钢种样本,将所建模型应用到热连轧产品质量系统中,给定热连轧产品性能指标求解轧制工艺参数——轧制卷曲温度,实现了对轧制工艺参数的优化和可控制性。经过实验验证,将逆模型输出的卷曲温度代入到热连轧产品质量正系统中进行预测,误差在0.04范围内,基本符合企业的要求。下一步的研究工作将运用所建立的BP神经网络逆模型,根据给定的钢铁性能指标求解热连轧钢铁化学成份含量,降低钢铁热连轧产品的生产成本,从而进一步提升钢铁企业的市场竞争力。