在钢铁生产中硬度是评价带钢质量的重要指标,传统离线测量硬度的方法存在较大的滞后性,导致经常发生产品质量波动,给企业带来很大的经济损失。随着数据采集技术的进步,使得数据解析建模方法可以应用到带钢硬度的在线预测中。作为数据解析方法的最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）具有较好的预测精度和求解速度,然而其泛化能力还有待提高,其主要原因是,传统方法假定样本的各个特征对输出的重要性相同,未考虑实际问题中各个特征对输出的不同影响,从而使得预测效果受到影响。因此,本文以连退机组带钢硬度在线预测为背景,提出了基于特征加权的最小二乘支持向量机集成学习建模方法。将特征权重作为变量与学习机参数协同优化,利用集成学习对各子学习机进行融合,提高了模型的预测精度和泛化能力,从而保证了连续退火生产过程产品质量预报的准确性和稳定性。具体研究内容包括:（1）特征权重初始化:首先,对生产过程数据进行预处理,剔除异常样本,为以后的建模过程提供准确数据。其次,对样本数据进行相关性分析,确定各个特征权重的初始值。（2）特征加权LSSVM建模:针对各个特征对硬度影响的差异性,提出特征加权的建模思想,建立基于特征加权的LSSVM硬度预测模型。设计数据实验对传统LSSVM和特征加权LSSVM的实验结果进行对比分析,验证了特征加权建模方法的有效性。（3）模型参数优化:针对特征加权LSSVM模型参数的优化确定,设计了两种优化方式。一是集成优化,即同时优化特征权重和学习机参数;二是分解协调优化,采用基于分解协调的差分进化算法,通过分解优化问题,并行独立优化学习机参数和特征权重,再进行合并实现整体最优。通过数据实验,证明了分解协调算法的有效性。（4）集成学习建模:针对单个学习机泛化性能不足的局限性,提出了基于特征加权的最小二乘支持向量机集成学习建模方法。并设计了不同学习机数目的集成学习对比实验,分析参数变化对集成结果的影响。