连续退火相对罩式退火具有效率高的特点,是热镀锌钢卷生产的关键工序之一,连退工艺对热镀锌钢卷力学性能质量有着重要影响。针对连退过程中带温预报建模过程复杂、精度不足和外延性差的问题,以加热段出口带温为对象,基于数据挖掘的智能建模技术,开展热镀锌钢卷连退过程带温动态预报与控制研究。利用Agglomerative Clusterting层次聚类、k-means均值聚类两种算法,根据化学成分、热轧等参数对热镀锌钢卷进行聚类分析。分析表明,两种算法聚类得到的热镀锌钢卷工艺模式结果基本一致,k-means算法效率更高、工艺模式划分更准确。根据聚类分析结果获得与不同力学性能要求对应的热镀锌生产工艺模式,将连续退火加热段数据集按工艺模式进行划分,为进一步按工艺模式进行热镀锌钢卷在线动态预报建模提供基础。针对循环神经网络（Recurrent Neural Network,RNN）在时间序列预测上存在的梯度消失问题,采用长短记忆网络（Long-Short Term Memory,LSTM）在不同工艺模式对应的加热段数据子集上分别进行加热段出口带温建模,利用网格搜索法优化LSTM模型参数,同时在相同条件下建立对比模型RNN。预报结果表明,LSTM模型对时序信息的提取能力更强,预报精度高于RNN模型;按工艺模式进行预报建模,实现了数据样本的优选,预报精度高于不划分模式下建立的模型。对存在较多随机误差的退火炉加热段原始数据,在LSTM网络层前增加卷积神经网络层（Convolutional Neural Networks,CNN）,建立了CNN-LSTM网络模型。CNN-LSTM建模实例与预报精度分析表明,CNN-LSTM模型通过CNN层提取了有效的特征,弱化了异常值对预测模型的影响,模型有更强的抗噪声能力,比单一LSTM模型有更高的预报精度。建立基于煤气的炉温预测CNN-LSTM模型,并与带温预测CNN-LSTM模型结合,构造带温观测器;利用带温观测器建立基于模型预测的带温PID预测控制仿真系统,并利用优选法对PID参数进行了整定。仿真结果表明带温预测控制系统的稳定性和动态性较好,同时利用模型观测器避免了物理观测器时间的滞后。以上对热镀锌钢卷工艺模式聚类分析、加热段出口带温动态预报建模以及预测控制研究,为连退生产加热段带温控制的应用提供了理论基础。