钢铁工业被称为工业发展的粮食,在国家发展中占有非常重要的地位,是发展国民经济,提升综合国力的重要支柱产业之一,是衡量一个国家发展水平的重要标志。板带材热连轧是钢铁工业的重要生产工序和有待解决的难点问题,热连轧轧制技术的控制精度直接影响着带钢成品的质量和板坯的成材率。随着科学技术的发展,热连轧技术已经成为板带材生产的核心技术之一。在板材热连轧过程中,轧制参数的设定值直接影响着板形的质量和轧制效率。为了进一步优化轧制过程关键工艺参数,开展了基于数据驱动的模型分析与优化的研究。具体包括以下内容:（1）为了对热连轧轧制过程模型进行更深入的分析,详细介绍了热连轧轧制过程工艺和轧制过程控制系统。确定了以基于数据驱动的建模方法为主要手段进行轧制参数预测的思想。（2）通过对轧制过程机理模型的分析,得出轧制力的计算精度直接影响着辊缝位置的设定和板形的控制效果,也是实现热连轧精准控制的前提。所以确定以轧制力为主要对象进行了决策优化模型的研究,在分析现有生产数据特点的基础上,采用LOF算法,对数据进行了预处理,采用主成分分析法确定了影响轧制力决策优化模型的输入参数,保证了模型预测精度的前提下提高了模型的预测效率。（3）针对热连轧过程具有多变量、多目标、强耦合、非线性等特点,建立了学习速度快、泛化能力强的极限学习机（ELM）模型对轧制力进行了预测。与传统机理模型预测相比,ELM模型预测精度更高、效率更快。（4）为了进一步提高模型的预测精度和运行效率,提出了并行极限学习机（PELM）和基于遗传算法（GA）的并行极限学习机（GA-PELM）以及基于卷积神经网络的并行极限学习机（CNN-GA-PELM）模型对轧制力进行了预测。在保留了ELM模型优点的前提下,进一步提升了模型的性能。本文以某钢厂2250生产线的实际生产数据为实验数据,与传统模型相比使用基于数据驱动的预测模型有很好的预测精度,满足热连轧轧制过程对轧制参数的要求。