实现板凸度的高精度控制是提高热轧带钢质量的关键技术之一。凸度仪安装在距精轧机组末机架出口 3-5m处,测量值获取的滞后严重影响了凸度控制的准确度和实时性。同时,板凸度受到众多生产因素的影响,这些影响具有非线性时变特征且无法用机理知识准确表达,各因素之间也存在不同程度的耦合作用,给板凸度的预测与控制增加了难度。本文详细地阐述了板凸度预测控制的基本知识与研究现状,系统地分析了热轧数据特征。针对传统数据挖掘算法无法解决的高维非线性耦合系统预测控制问题,提出了基于 Morisita 指数的回归问题过滤式属性选择（Morisita-Based Filter for Regression,MBFR）算法、基于深广卷积神经网络的板凸度预测方法和基于深度确定性策略梯度的板凸度控制方法。论文的主要研究内容和创新成果如下:针对热轧数据高维、非线性和强耦合特征导致的板凸度预测精度难以提高的问题,提出了深广卷积神经网络预测模型。该方法基于MBFR算法去除原始数据集中的无关和冗余属性,为预测模型选取最优输入属性集,降低了输入数据维度、模型复杂度以及训练成本;设计了适用于热轧数据集的深广卷积神经网络结构,利用深度神经网络学习输入属性的全局特征,利用改进的卷积神经网络学习输入属性间的局部作用关系,结合两部分网络的学习结果进行凸度预测,解决了高维、非线性、强耦合热轧数据建模问题,提高了预测模型的预测精度和泛化能力。仿真实验表明,本文所提出的方法有效解决了热连轧系统中板凸度预测问题。针对复杂热连轧系统中板凸度非线性控制策略难以求取的问题,提出了基于深度确定性策略梯度的板凸度预测控制方法。该方法通过与热连轧环境交互来学习最优控制策略,引入了 Actor-Critic网络架构,通过Actor网络求取当前状态下的最优控制量。在Actor网络的训练过程中,通过Critic网络评估当前状态下Actor所采取的动作对应的奖赏值。仿真实验表明,本文提出的方法提高了板凸度控制精度,解决了高维连续动作空间的非线性控制问题,能够满足工业生产的要求,具有一定的工程指导意义。