当前,我国钢铁工业正向着“智能化、数字化和信息化”的方向进行全方位升级转型。钢铁企业在长期的生产过程,积累了丰富的数据,这些数据综合反映了钢铁生产过程中各环节之间的内在联系,具有巨大的应用价值。如何利用工业数据和人工智能技术建立热轧产品成分-工艺-力学性能之间的对应关系,实现钢铁生产过程中力学性能在线预测已经成为当前钢铁企业升级转型的关键。在《中国制造2025》、产业关键技术升级等大背景下,本文从工业数据处理着手,通过选择合适的建模及优化算法,针对不同样本数据开发了高精度的力学性能预测模型,并最终实现了热轧带钢力学性能预测技术的工业应用。本文主要内容如下:（1）针对工业大数据在建模时存在的异常值、数据冗余、数据分布不均衡以及过拟合等问题,结合轧制工艺理论和统计学理论,开发了层次聚类、异常值剔除、数据归一化以及数据均衡化等数据处理方法。考虑到直接引入参数建模可能导致的维数灾难问题,采用基于前向选择的相关性分析方法,实现重要参数的筛选。结果表明:样本数据经过处理后,数据更加稳定且呈现出合理的规律性。此外,采用所筛选的参数建模,可在保证模型精度的前提下有效简化模型结构。（2）针对传统前馈神经网络存在的过拟合、训练效率低等问题,引入贝叶斯正则化方法和粒子群算法（Partical Swarm Optimization,PSO）对传统前馈神经网络进行改进,并基于改进的神经网络建立了多牌号C-Mn钢的力学性能预测模型。同时,采用平均影响值方法和控制变量法对模型的规律性进行了研究。结果表明:经过改进的神经网络具有良好的泛化能力,且模型反映出符合物理冶金学的规律。（3）针对以Ti微合金高强钢为例的小样本数据,采用霍特林T2统计量和控制限识别样本数据中的异常点并剔除。考虑到原始样本数据信噪比低,引入碳氮化钛析出热力学模型,对原始数据中隐含的信息进行挖掘,并结合主成分分析和支持向量机算法建立了小样本Ti高强钢的力学性能预测模型。结果表明:与传统的BP神经网络相比,基于支持向量机算法的力学性能预测模型表现出优异的泛化能力。（4）基于数据库技术、工业大数据处理技术、相关性分析技术以及高精度力学性能预测技术,开发了基于数据驱动的热轧带钢力学性能预测软件。针对1780热连轧生产线,利用该软件实现了典型钢种（SS400、Gr50-11、C610L和C510L）的力学性能高精度在线预测。