对不同化学成分和工艺参数的热轧带钢组织性能进行预测，可以进行新钢种开发，优化轧制工艺设计，减少合金元素含量，降低开发成本满足市场需求。实现对轧制过程中组织-性能演变预测的软仪表，将可以大幅减少性能检测实验量，实现组织和性能的高精度预测，缩短新产品开发周期、交货周期，有助于进一步提高产品质量和成材率．本文根据组织-性能预测与控制技术(SPPC)理论，建立了基于BP神经网络的组织性能预测系统。　　 首先，本文建立了基本的BP神经网络，用于组织性能预测系统的开发。对影响钢材力学性能的重要参数进行了分析，确立了组织性能预测系统的神经网络结构，并将BP网络模型应用于组织性能预测系统中，开发了基于VC平台下的人机界面友好的组织性能离线预测系统。整理网络训练所用数据是热轧组织-性能BP神经网络预测模型建立的首要工作。本文针对现场采样数据存在噪声的情况，实现了梅钢生产现场数据源的整合及采样数据的预处理。为BP神经网络模型的建立提供了真实、可靠、充分的数据基础。实现了组织-性能预测系统开发后对系统的预测结果进行了分析。　　 其次，针对输入输出映射关系复杂的条件下BP网络训练速度较慢的情况，提出两种改进网络训练的算法：第一，在训练过程中识别收敛速度过慢的个别样本进行重点训练。第二，分析了BP网络误差曲面的特征，提出了自适应调节学习速率的误差反传算法。　　 最后，利用上述改进算法进行SPA-H采样数据的力学性能预测，并进行了试算：均方根误差达到16时改进训练算法共迭代1450次；原训练算法需要迭代1860次。新的算法迭代次数仅为常规算法的78％，改进训练方法大大节省了训练时间，效益非常可观。网络训练200次，原算法训练误差达到10.215，自适应学习因子算法训练误差达到8.72694；而新算法的训练误差达到10.215时仅仅训练72次。基于改进BP算法的组织性能预测系统的学习速度有很大的提高，并且在收敛速度、稳定性和泛化能力方面都优于传统BP神经网络。