在轧制过程当中,轧制力的初始设定决定了轧制规程的设置。并且影响着产品的质量与产量,轧制力准确的预报可以减少带材头尾长度。带材轧制过程具有多变量、非线性、强耦合的特征,如果利用传统的机理模型对轧制力进行推导预测,不仅适用面较窄,而且误差值较大,无法适应如今现场多规格产品、柔性化生产的要求。为了提高冷轧机的轧制力计算精度,从冷轧轧制基本理论出发,基于机器学习算法对轧制力进行统计建模。为了提高轧制力的预报精度,按照网络深度与学习方式建立了三种预测模型。针对传统机理模型假设过多与参数难以选取的缺陷,建立浅层机器学习模型。采用基于结构风险最小化的支持向量机模型对轧制力进行建模,考虑到支持向量机参数难以选取的问题,使用改进遗传算法对支持向量机的模型参数进行寻优处理。改进遗传算法中加入了精英策略与自适应遗传算子,以增加网络的收敛能力与局部搜索能力。浅层网络如支持向量机等模型,其表达能力受到了网络深度的限制无法有效完成对复杂函数的拟合。且在轧制生产过程当中,可提取大量轧制力相关数据。故为了满足轧制力大数据集下的预测,建立深度网络模型来预测轧制力。考虑深度网络存在梯度弥散等问题模型难以训练,本文将采取半监督方式训练深度网络模型。且为了提取更有效的模型特征,本文使用去噪自编码器完成模型无监督训练。为了使深度网络摆脱无监督学习加快网络训练,以符合轧制力对快速建模的要求,并进一步提高模型精度。建立一种新的深度网络结构,使用小批量梯度下降作为网络的基础学习方式,改善随机梯度下降与批量梯度下降存在的问题;使用Batch Normalization结构优化网络的前向传播,稳定每层网络的输入分布;利用Adam随机优化算法优化网络反向传播,在梯度更新中为不同参数提供自适应性学习率,完善梯度更新。且为了进一步解决网络的梯度弥散问题,选用Relu作为网络的激活函数。同时根据现场采集的数据,使用PYTHON语言进行仿真实验,得出的轧制力模型在精度与建模速度方面均由于常规浅层模型与半监督模型。