本文以某1580mm七机架热连轧生产线为研究对象,以数据驱动方法以及轧制机理融合人工智能算法为数学工具,针对CVC（Continuous variable crown）热轧机,以研究轧制机理引导机器学习方法及实现板带热连轧过程板凸度及厚度多目标优化为出发点,采用机器学习（Machine learning,ML）以及优化算法进行了深入研究。提出了KPLS-SVM（Kernel partial least squares-Support vector machine）、PCA-CS-SVM（Principal component analysis-Cuckoo search-Support vector machine）以及DP-M-SVR（Dimensionality processing-Multi-output support vector regression）三种板形预测及优化模型,对实现热连轧板形质量精确控制以及提高热轧产品质量具有重要理论指导意义和实际应用价值。本文主要研究内容如下:（1）以现场采集的大量板带热连轧轧制过程数据为基础,采用多元统计方法与数据处理技术对实验数据进行分析处理,充分挖掘数据中的主要信息。采用主成分分析法（PCA）对存在变量耦合、异常数据以及大量噪声的实验数据降维处理,丰富数据信息以及确保数据质量。（2）采用基于数据驱动的核偏最小二乘（KPLS）法以有效处理板带热连轧生产轧制工艺参数和质量指标之间的强耦合、多变量以及复杂非线性关系。提出了一种基于数据驱动方法结合机器学习的KPLS-SVM板带热连轧板凸度质量预报模型,并采用粒子群优化算法（Particle swarm optimization,PSO）优化KPLS-SVM模型关键参数,提高所建板带热连轧板凸度预报模型的预测精度。（3）为了弥补传统控制方法质量差的缺陷,满足日益增长的带钢凸度精度要求,提出了一种SVM（Support vector machine）结合PSO以及主成分分析结合布谷鸟搜索（PCA-CS）优化策略的板带热连轧板凸度预测模型。实验对比结果表明,所提出的PCA-CS-SVM板凸度预报模型具有最高的预测精度和最快的收敛速度,对提高板形质量具有一定指导意义。（4）针对板带轧制过程存在多变量、非线性、强耦合以及时变性的特点以及常规SVM仅一维输出问题,在轧制过程数据的基础上计算轧制机理数据作为额外的输入特征,并通过维数处理（DP）参与模型的训练过程,建立了一种轧制机理引导ML的多输出支持向量回归（M-SVR）预测模型。同时采用遗传算法（Genetic algorithm,GA）对M-SVR模型参数进行多目标优化,以提高模型预测精度。实验结果证明所提出的DP-M-SVR模型具有更强的通用性,对实现板形质量的精确控制和提高热轧产品的质量具有理论指导意义和实际应用价值。