辊底式连续退火炉是精整生产线上重要的设备,目前由于检测技术和实际生产条件的限制,无法准确得知退火过程中棒材温度变化情况,只有在棒料出钢之后才可测得出钢温度。本文通过建立退火炉的钢温预测模型,可以预测出钢温度,对于退火炉各段炉温的优化设定、提高棒材质量和产量具有重要意义。棒材的退火过程具有大滞后、大惯性、多变量、强耦合、时变、非线性等特点,传统的机理模型计算复杂,假设条件过多。本文以辊底式连续退火炉为研究对象,结合其工艺特点建立了基于L-M算法改进神经网络的钢温预测模型。输入为退火炉13个温控段的炉温温度,输出为退火炉出钢温度。通过MATLAB仿真证明该模型合理有效,可以较准确的预测出钢温度。接着针对BP网络收敛缓慢、易于陷入局部极小等典型缺点,引入了遗传算法(GA)和模拟退火算法(SA)来优化出钢温度模型,仿真结果表明预测效果有所改进。考虑到遗传算法全局范围内寻优,搜索速度快以及模拟退火算法局部搜索能力强,将两者的优势结合,提出种混合算法：模拟退火遗传算法优化基于L-M算法改进BP网络模型,并进行仿真。仿真研究表明,通过该混合算法优化神经网络模型易于建立,预测效果更好,能够更加准确预测棒料的出钢温度。通过对用上述各优化算法改进钢温模型的仿真结果进行比较,可以得出结论：模拟退火遗传算法优化神经网络模型在精度与效率上都有显著提高,取得了最好的预测效果,同时该算法只需要在大量实际数据的基础上,不需要考虑机理模型的参数与边界等条件,更适合用于建立辊底式连续退火炉的出钢温度预报模型。