钢材作为高强度综合性能更优的工程结构材料,应用于各个领域。为了提高市场竞争力以及满足社会需求,企业不得不改善钢铁产品的性能。其中力学性能是钢材的重要性能之一,直接影响着产品的使用价值。需要摒弃耗时耗力的物理方法,利用先进的数字化工具完成对钢铁产品的设计;以便用于产品性能在线动态控制、钢种成分优化等。由于钢材力学性能的影响因素众多,且存在复杂交互作用。因此,本文将以带钢抗拉强度作为响应变量,根据实际生产线上获取的成分参数(化学元素)、碳氮化合物及其工艺参数数据,研究如何合理筛选钢材力学性能预报模型的重要影响因素,并建立有效的预测模型。支持向量机(Support Vector Machine,SVM)能够处理变量间的非线性问题。分位数回归(Quantile Regression,QR)能很好的解决数据异质性,对离群值不敏感,具有较好的“鲁棒”性,能考虑整个分布等特性。因此,本文结合支持向量机(SVM)和分位数数回归(QR)理论,建立支持向量机分位数回归(SVQR)模型,探讨带钢抗拉强度与成分参数(化学元素)、碳氮化合物及其工艺参数的关系。首先,我们给出了SVQR的损失函数以及预测模型,并给出了能够同时求解出所有参数的迭代最小二乘拟合算法(IRWL);其次,我们对已有的数据进行预处理,主要是对数据进行标准化。最后,根据已有文献选取的关键影响因素,我们将数据集随机抽取70%作为训练集,训练出SVQR模型,并对剩余的30%数据组成的测试集进行预测。结果表明,与RR(Ridge Regression),SR(Stepwise Regression),SVR(Support Vector Regression)预测方法相比,我们所用的预测的结果误差是最小的。另外,我们还在SVQR模型中添上了LASSO变量选择,选择对响应变量影响较大的因素,并以此为基础建立SVQR预测模型,与FS,RF选择变量方法对比,我们的误差也是最小的。进一步验证了SVQR模型的有效性。