小尾卷的高发率严重影响了冷轧厂的盈利能力。通过大规模生产数据实现小尾卷的精准预测并在生产过程中改进工艺参数,进而提高收益是钢铁企业期望达到的目标之一。本文以某钢铁企业某机组3个月生产的钢卷工艺数据作为分析对象,基于机器学习方法进行影响产品质量的关键工艺参数特征提取,进而建立小尾卷是否发生的预测模型。主要工作如下:（1）针对实际工业数据中普遍存在的数据缺失、数据异常等问题,提出了有效的数据清洗方法,可以对数据集进行缺失值、异常值、单一值和重复值等高效处理,将原始数据集归整成为可建模数据集。（2）结合统计学和机器学习的分析方法提出了小尾卷生产控制的特征选择过程,提取出了数据集中与目标变量关联性最强的特征子集,提高模型解释力和分类精度。基于筛选出来特征建立了是否产生小尾卷的Logistic预测模型。通过测试集验证了模型的分类精度并结合混淆矩阵和ROC曲线展示分类结果。（3）基于以上建立的小尾卷生产控制预测模型,建立了以控制成本最小为目标的数据驱动的优化模型,设计了粒子群优化算法进行求解,通过计算实验验证了模型的正确性和算法的有效性。（4）基于以上研究成果设计开发了一个数据可视化分析软件,可以基本实现钢铁工业的数据分析功能。为将机器学习方法应用于钢铁企业产品生产控制领域做了有益的探索。