在工业4.0的大背景下,钢铁企业对智能制造、产能资源全局统筹与优化的需求日益提升。我国钢铁企业迫切需要从传统的以产定销的思路转向于产销平衡的发展方向。因此,产能资源计划必然在智能制造方面承担更大的责任并发挥更大的作用。人工智能技术发展迅速,以深度学习为代表的一系列理论与方法越来越多的研究应用于工业制造领域,为智能制造的发展提供了不可忽视的动力。产能计划一般被认为是运筹学领域的优化问题。在钢铁企业的实际应用中存在规则模糊、约束条件复杂且多变等因素,难以建立准确的数学模型。钢铁企业产能计划是对未来一段时间内各个流向计划量的设定。通过对产能计划的历史数据分析发现,该问题可以归结为时间序列预测问题。近年来,深度学习方法在时间序列预测问题的应用上取得了很好的效果。因此,本文基于深度学习方法对产能计划预测问题展开研究,主要研究内容如下:（1）现场调研及数据的收集与处理。以我国某大型钢铁企业的产能需求计划编制为背景,分析其产能计划的业务逻辑和现状,将该类问题归结为时间序列预测问题。对现场采集的历史数据进行分析,结合业务的实际情况找出对产能计划起到主要影响的因素,进而找出与结果相关的可用数据项。在此基础上对数据进行归一化等预处理操作,进而完成了数据准备和清洗工作。（2）提出了基于长短期记忆（Long Short-Term Memory,简称LSTM）结构的产能计划预测模型。考虑任务的本质是预测出一系列的时间序列,将LSTM作为基础模型开展研究。因实际业务中后段时间数据会对前段数据产生影响,使用双向长短期记忆（Bi-directional Long Short-Term Memory,简称 Bi-LSTM）结构与普通的 LSTM 进行 比较。通过实验验证了使用LSTM模型解决本问题的可行性,并得出了 Bi-LSTM模型在本文问题上有着更好表现的结论。（3）通过对Bi-LSTM模型进行改进,提出了基于带注意力机制和双维度卷积的双向长短期记忆（Bi-LSTM with Attention Mechanism and Two-Dimensional Convolution,简称AM2DC-LSTM）结构的产能计划模型。在Bi-LSTM模型的基础上,首先,考虑对特征进行加强与丰富。分别在时间和空间两个维度上添加卷积神经网络结构,其中,本文所设计的不完整双向时间卷积网络对模型精度的提升起到了显著的作用。其次,对模型加入注意力机制进行改进,该操作使得模型在训练速度和精度两个方面上均获得一定提升。实验结果表明,改进后的模型较之于基础的LSTM模型获得了 7.7%的精度提升和接近10%的可接受度提升,验证了改进方案的有效性。（4）以AM2DC-LSTM模型作为基学习器,提出了一套基于结果衔接的集成学习解决方案。从丰富输入特征内容的角度出发,使用之前模型的预测结果进行迭代计算,得出计划周期内的库存情况。再对预测的库存情况和原有数据进行结合,训练出新的阶段模型。迭代此过程,得到多个基于AM2DC-LSTM模型架构的阶段模型。对多个阶段模型,使用线性回归求得适合的权重系数。按照该权重对多个阶段模型的输出结果进行融合,用以提升预测结果的准确性。通过实验证明该方案可以将AM2DC-LSTM模型提升4.14%的精度和5%左右的可接受度,最后实验验证了该方案对此类模型的泛化性。