在钢铁冷轧生产过程中,轧制力的预报精度决定着最终成品的厚度及板形的平整度。准确的轧制力预报有助于缩短带材的头尾长度,提高成材率。由于轧制环境复杂多变,各参量间相互耦合,难以建立准确的数学模型。传统的轧制力机理模型为简化推导过程,引入较多假设,无法保证最终预测精度。为提高冷轧机组的轧制力预报精度,依据轧制基本理论,基于深度学习方法建立轧制力模型,进行轧制力预报建模研究。以轧制力机理模型Bland-Ford-Hill公式为理论基础,分析确定轧制变形区影响轧制力大小的主要参数变量。对于部分不可测参量,使用机理模型进行推算,并输入到神经网络中,对轧制力进行预测。采用数据驱动方法建立轧制力预报模型,可避免对轧制机理的过度探索,获得更加符合实际的模型。论文主要工作如下:（1）针对机器学习方法的拟合能力受自身网络结构限制,难以获得较高的预测精度的问题,建立了基于半监督深度网络的轧制力预报模型。该模型使用堆叠去噪自编码器逐层提取输入数据的高阶特征表示以解决深层网络难以训练问题。为提高特征提取的有效性,根据输入值与目标值的相关性程度,对其各维度特征损失函数施加不同比例,构成比例损失堆叠去噪自编码器。使用比例损失堆叠去噪自编码器提取的高阶特征初始化深度网络,对目标值进行预测。仿真结果验证了该方法的有效性。（2）针对固定模型参数无法随生产环境变化而做出调整,导致预测精度下降的问题,使用即时学习方法,选择少量相似样本,动态的建立当前工作点的局部模型。但由于缺乏足够的过程知识,仅使用单一的相似性度量很难选择合适的样本来构建准确的预测模型。提出一种基于多重加权相似性度量的集成即时学习建模方法。首先,基于不同的加权相似性度量筛选相关样本。其次,构造深度网络局部模型并估计查询数据的目标值。为满足实时性要求,使用批归一化方法稳定前向输出区间,引入小批量梯度下降算法和Adam优化算法加快模型收敛速度。最后,运用集成策略整合各模型的输出结果。在此基础上,引入累计相似度因子优化局部建模时的样本个数,设定相似度阈值自适应地更新局部模型。仿真结果表明,该模型可以在短时间内实现轧制力的高精度预测。最后,对全文进行总结。