冷轧产品是钢铁企业的主导产品,附加值很高,特别汽车用钢,产量随着市场对汽车钢板的需求迅速扩大。但汽车板产品在研制过程中存在实验条件不足、生产实验耗费资源大、研发周期长、研发出来的新产品质量控制不稳定,产品性能经常出现波动等问题,很难满足市场对冷轧产品大规模需求。因此,钢铁企业急需建设一套新产品的研发模拟环境,减少生产实验的次数,检验、指导和优化设计,缩短产品的研发周期、降低研发成本,提高产品质量。本文讨论了如何利用数据挖掘技术开发存在于企业信息系统中的各类数据,将其转化为知识并用于冷轧产品质量性能预测的过程。论证了钢铁企业基于数据挖掘技术进行冷轧产品质量性能预测的理论可行性与可操作性。本文从冷轧产品力学性能预测参数选择的意义到利用相关分析确定性能关键影响因素;从数据准备、数据清洗、数据集成到建立数据集市;从选用数据挖掘算法进行建模、训练、到模型评估、预测几方面进行了论述。论文重点对冷轧产品质量性能预测中模型(包括神经网络、决策树、多元线性回归模型)的建立过程进行了深入研究,通过使用S+miner和SPSS数据统计分析软件构建以决策树、BP神经网络等为冷轧产品性能预测模型,通过相关分析得到模型的输入参数,将冷轧产品重要的机械性能参数屈服强度、抗拉强度、延伸率作为输出量,通过模型的训练,最终描述了生产工艺参数、化学成分与力学性能之间复杂函数关系。使用真实机械性能样本数据与冷轧产品性能预测模型的结果做对比,证明了基于BP神经网络模型应用在冷轧产品质量性能预测中的有效性。