在钢铁生产中,钢生产过程是一个具有复杂工序、多种控制变量结合的大型工业流程。连续退火工艺作为带钢生产过程中的关键工艺,对带钢质量起到了决定性的作用。但是由于退火工艺自身的局限性,使得原有的带钢质量检测方法已经不能够满足日益增长的生产需要。此外企业为了进一步提高生产效率和生产质量,针对不同钢材的产品的操作优化也逐渐受到了关注。因此,有必要对连续退火工艺中的产品质量进行预测以及操作优化。本文针对这两个问题,做了以下几个方面研究。针对连续退火过程质量预测,依据对连续退火数据高维度、强耦合等特性的分析,本文将等距特征映射降维算法与集成思想相结合,利用集成模型的特点对不同样本的降维结果进行拟合,并选择支持向量机作为子学习机,提出了一种基于高维数据特性集成建模方法,该方法充分考虑不同样本的特性,使得建模更加精确。此外针对模型中设备、环境以及带钢特性变化带来的模型精度下降,本文在增量支持向量学习机的基础上,对基于降维过程的增量学习进行了研究,利用支持向量集与新增样本集合并降维,并通过基于距离的策略进行筛选,来完成模型的更新。该方法通过实验验证,适应于连续退火生产变化。在质量预测的基础上,本文通过对冷轧连续退火生产工艺和生产过程操作优化的研究,建立了以最小化带钢硬度偏差、最小化机组能源消耗、最大化机组产能为目标的连退生产过程多目标操作优化模型,同时为了能够使算法能够更早的寻找到最优解,需要使初始种群具有较高的质量,设计了一种基于正态分布的启发式来生成初始种群。最后利用差分进化算法DE（Differential Evolution）对模型进行了求解,取得了较原始生产数据更好的效果,能够对生产过程起到指导作用。由于连续退火优化操作变量多、优化复杂,连续退火多目标操作优化模型的求解具有较高难度,为了提高优化算法的寻优能力,本文提出了一种改进变异混合多目标优化算法。通过引入跳基因突变算子来增强NSGA-Ⅱ（Non-dominated sorting genetic algorithm-Ⅱ）的全局搜索能力,利用改进的变异算子来增强DE算法的局部细化搜索能力。并在两种算法集成后,通过贪婪算法对混合解集进行筛选,以及在最优解附近进行混沌搜索,最终得到最优解集。经过测试函数验证,改进后的算法具有良好的寻优效率。最后将该算法应用于连续退火多目标优化模型,求解结果较DE算法有了较大的提高,在保证预测精度的同时,提高生产效率和减少能源消耗。