热轧带钢层流冷却过程是通过层流冷却装置将带钢按照工艺要求从终轧温度冷却到相变后的卷取温度，最终获得性能良好的热轧带钢产品。由于热轧带钢层流冷却过程具有强非线性、参数时变、工况变化频繁、以及冷却带钢的温度不能连续检测等综合复杂特性，给其过程建模与控制带来了很大的难度。在实际生产中，层流冷却过程控制对于提高产品质量和热轧冷却设备的安全可靠运行都具有重要的意义。本文以国家重点基础研究发展计划973课题“复杂工业生产过程实时智能控制理论与算法研究”(2002CB312201)的子课题“基于数据的模糊规则提取方法及其应用研究”(2002CB312201-06)为背景，在AFS(Axiomatic Fuzzy Set)模糊逻辑系统框架内，借鉴经典机器学习算法，针对热轧带钢层流冷却过程中优化部分与建模部分的补偿控制器设计中存在的问题之一—PI参数的整定进行了深入的研究。本文的具体内容如下：(1)第一章第一节介绍了所研究问题的实际工业背景，简述了热轧带钢层流冷却的含义和作用及热轧带钢层流冷却技术的研究现状和发展趋势；并详细介绍了本文中所研究的前馈和反馈补偿控制器的结构及其作用；第一章第二节介绍了机器学习及案例推理技术的发展现状及其应用研究状况。第二章介绍了AFS理论的基本思想和相关定义。(2)第三章把AFS模糊逻辑和案例推理技术结合起来，提出了一种模糊案例推理算法，并把该算法运用到热轧带钢层流冷却过程优化部分的前馈和反馈补偿控制器的PI参数整定问题中，并利用实际工业过程中测得的优化部分输入输出数据对算法进行了实现。(3)第四章中对第三章的模糊案例推理算法进行了改进，利用模糊聚类分析、属性格贴近度、逆向提取模糊规则、模糊规则简化等方法，提出了一种新的基于输入输出数据的模糊规则提取算法，并将该算法运用到热轧带钢层流冷却过程建模部分的反馈补偿控制器的P参数整定中，并利用实测的工业控制过程中的两组输入输出数据对该算法进行了实现。第五章介绍了东北大学自动化中心的层流冷却过程优化设定控制仿真实验平台，在加入反馈补偿控制器后的仿真实验结果：降低了带钢热轧时的卷曲温差，提高了控制效果。