由于用户对板带材产品质量要求的不断提高，使得板形控制成为现代高精度宽带钢冷轧机的关键技术和重要的技术发展方向。近来，人工智能方法以其建模、优化和控制等方面的强大功能在板形预测和控制领域得到了广泛应用。本文以人工智能理论为基础，找出传统方法存在的不足，对板形预测和控制的智能方法进行理论研究，并取得了新成果。首先，提出了基于云模型的自适应差分进化算法。由于传统差分算法进化方向存在早熟收敛和搜索停滞的问题，本文运用基本正态云发生器对差分进化算法进行改进，实现云自适应差分算法的变异操作，并在云模型数值特征的选择中引入自适应算子对新个体的产生进行自适应调整，保证了算法的鲁棒性、随机性和稳定倾向性。其次，建立了基于CADE-BP网络的板形预测模型。经过对现场轧制数据进行预处理，分析轧制过程中对板形有重要影响作用的因素作为网络的输入，并以拟合得到的板形特征参数作为网络的输出，采用CADE算法优化的BP神经网络结构建立板形预测模型。根据实验特点，利用CADE算法全局优化特性对BP网络的权值和阀值进行优化，提高了模型效率及预测精度。再次，建立基于CADE-BP网络动态影响矩阵的板形控制模型。在CADE-BP板形预测模型的基础上，提出了基于动态影响矩阵的板形控制方法，并在此基础上根据板形调控机构的关键影响因素建立了关键影响因素矩阵表，该方法考虑到了轧制生产过程中不同轧制条件下的板形调控特性，根据关键影响因素矩阵表和轧制状态的改变实时调整板形影响矩阵，为板形的实时调控提供依据。最后，通过Matlab软件对以上提出的板形预测模型和板形控制模型进行了仿真实验。