轧制规程设定计算是冷连轧生产线过程自动化系统的首要任务，其设定值对产品规格的控制至关重要。传统的轧制规程设定方法通过轧制理论数学模型计算轧制力，采用查表方法设定压下规程，这在一定程度上可以达到生产目标。但随着人们对冷轧带钢质量要求的日益提高，传统方法已经无法满足一些轧制规格要求较精细的场合，于是人们开始寻求更为精确的途径来预测轧制力，进而优化冷连轧机的轧制规程。 本文深入研究了基于支持向量机(Support Vector Machine，SVM)进行轧制力预测的冷连轧机轧制规程的优化问题，受到软测量领域应用的新理论SVM的启发，鉴于神经网络方法在轧钢领域的应用，提出了利用SVM模型预测方法对冷连轧过程中机架的轧制力进行预测。为了实现在线预测，采用了序列输入方式的在线SVM回归算法(OnlineTraining of Support Vector Regression，OSVR)，并借鉴文献中利用相关性分析法确定冷轧轧制力影响因素的研究成果，建立了五个输入、一个输出的SVM预测模型。通过利用大量现场数据的仿真与比较分析我们发现，基于OSVR算法建立的轧制力预测模型对于冷连轧过程中机架的轧制力有较好的预测效果，是未来轧钢技术应用领域中值得一试的轧制力在线预测方法。 根据实际需要提出了以轧制能耗最小为目标函数，以轧制力、轧制速度和机架出口厚度限制为约束条件的压下规程优化方法，并采用单目标不等式优化的内部惩罚函数法进行求解。 将基于SVM的轧制力预测模型与压下规程的优化相结合来设计轧制规程的整体优化流程。仿真过程中应用了大量的现场数据，通过与原来轧制规程的比较分析发现，优化后的轧制规程具有较好的轧制力预测效果，预测方差仅为原来的7.5％，同时，在节能方面的效果也十分明显，约节省轧制能耗12.5％。