随经济全球化和我国国民经济的快速发展,我国的钢铁工业水平得到了巨大的飞跃。但是钢材性能波动大、稳定性差等质量问题,仍然是摆在我们面前的重大挑战。例如,钢铁的化学成分、工艺参数、微观组织和性能之间关系非常复杂,这些变量之间存在着强耦合的交互作用,难以建立精准的数学模型还原真实的生产过程,无法实时控制其工艺参数,导致钢铁生产的质量低下,成本巨大。因此,利用机器学习与数据挖掘的手段,开发数据驱动的模型对钢铁性能进行预测与优化,对提高钢铁产品质量具有重要意义。本文以钢铁力学性能为主要研究对象,采用机器学习方法分别对钢铁的抗拉强度、塑性、疲劳强度和硬度进行了建模、预测、优化与分析。论文首先揭示了目前钢铁研究的不足,然后介绍了机器学习和智能优化基本理论,为后面具体模型的建立与优化奠定理论基础。具体的研究工作如下:（1）针对钢铁生成过程中数据多变量、非线性和强耦合的问题,以钢铁的抗拉强度和塑性为研究对象,提出了一种基于机器学习的优化建模方法。首先,利用机器学习算法XGBoost捕获化学成分和工艺参数与力学性能之间的映射关系,并将其作为适应度函数。接着建立数据驱动的多目标优化模型,利用改进的粒子群算法对这些化学成分和工艺参数进行优化,实现钢铁生产过程建模与优化一体化模型的构建。（2）针对疲劳失效机理复杂、难以解释的问题,以钢铁疲劳强度为研究对象,提出了一种基于SHAP（SHapley Additive exPlanations）理论的疲劳强度机理分析方法。首先,为了增加模型解释结果的可靠性,利用Bagging思想建立XGBoost和LightGBM的混合模型,采用灰狼优化算法对模型参数进优化,并对疲劳强度进行预测。然后,利用新颖的机器学习模型解释方法SHAP理论,对所建立的黑箱模型进行解译。最后,对影响疲劳强度的因素进行重要度排序,分析其正负相关性,并对模型的内部结构进行可视化,这样可以直观地看出这些变量是如何影响疲劳强度的,以此指导下一代高疲劳强度钢材的生产。（3）针对多材料混合数据集难以预测的问题,以超高强钢的硬度为研究对象,提出了一种新的分而治之学习框架。首先,采用3Sigma原则和余弦相似性原理对已有样本进行增强,并利用轻型密度峰值聚类算法对数据进行聚类,自动划分不同材料数据样本。然后,利用Stacking思想建立一个两层的堆叠模型,对聚类后的数据样本分别进行预测,达到“分而治之”的效果。最后,在真实数据集上对模型预测结果进行了对比与讨论,验证了所提方法的有效性。