本文以铝板轧制过程精轧机组为研究背景。论文从提高轧制过程机组控制精度的实际需求出发，在原轧制力预报系统引入BP(反向传播，BackPropagation)神经网络的基础上，开展了应用IGLS(完整的最小二乘梯度算法，IntegratedGradientLeastSquare)神经网络学习算法，力图提高轧制力预报精度的研究。 首先，以轧制力模型作为研究对象，根据厚度控制基本数学模型和P-H曲线等轧制理论，分析得出轧制力是轧制过程中的一个重要参数的结论。并在此基础上探讨了一种常见的轧制力模型-SIMS(西斯姆)轧制力模型，通过该模型可以看出轧制力预报精度受到入口带厚、出口带厚、轧辊半径、带材出口速度、温度等诸多因素的影响。 其次，在分析神经网络几种常见模型和算法的基础上，针对传统轧制力模型的局限性，通过确定神经网络拓扑结构、参数，并对样本数据进行选取、预处理和更新，建立了单机架IGLS多层前馈神经网络模型。在此基础上，根据以往神经网络方案，结合轧制力在轧制过程中的特点，给出了一种较为合理的神经网络解决方案，并验证了此方案的可行性。 再次，结合轧制力参数模型，按照面向对象程序设计思想，利用UML(统一建模语言,UnifiedModelingLanguage)，对该系统进行了较全面的软件体系结构设计，并逐一分析了网络模型初始化、网络学习及实时预报等模块的功能，以一个具体的实例说明了轧制力预报软件的设计过程。 最后，总结了本文研究成果，分析了当前研究工作的不足，并对今后的发展及研究方向进行了展望。