现阶段,我国钢铁行业发展迅速,在产量上处于国际先进水平。但在产品精度,生产效率等方面与世界先进水平仍有较大差距。为满足市场需求、提高竞争力,近年来,各大企业均着眼于生产高精度高质量的钢铁产品。热连轧带钢生产控制是一个及其复杂的钢铁制造过程,存在着复杂的物理变化和相变变化。热连轧生产过程主要包括板坯加热,粗轧,精轧,冷却,卷取几大部分,这其中每一个过程都涉及到影响最终质量性能指标的各类因素。本课题旨在找到一种合适的数据挖掘算法对热连轧产品的生产起到一定的指导作用。实验中所用到的数据均来源于实际钢铁生产厂家在生产热连轧产品时提取到的数据,包括从钢板板坯加热到最终生产出成品中的生产过程中提取到的包含产品所有信息的数据,以及最终产品性能考察数据等。本文从以下几个角度对热连轧产品的生产数据进行了分析,达到了对产品性能进行预测,对时序型生产序列分析等效果：1、首先提出利用BP神经网络对数据进行分析,达到对产品性能预测的目的。BP神经网络在处理复杂非线性数据时它有较好非线性逼近能力。但同时注意到,BP神经网络同样具有其局限性,隐含层结点个数如何确定、采用何种训练方法、训练时间较长等问题依然没有得到很好的解决。2、考虑到BP神经网络的一些弊端,本文提出将径向基函数神经网络应用于钢铁产品的分析中,同时,提出了将社团发现思想与径向基函数神经网络相结合的方法。径向基函数神经网络大体结构类似于BP神经网络,都是多层神经元经过权值连接后形成的网络,二者主要的不同点就在于径向基函数神经网络采用聚类分析的方法来确定隐含层节点,这样可以克服BP神经网络不够稳定,以及训练速度较慢的缺点。本文主要引入社团发现的方法确定隐含层节点,达到了更高的预测精度。3、分析发现,以上两种神经网络方法均没有考虑时间因素,而由于热连轧产品生产过程具有时序性,本文提出利用时间序列模式挖掘的方法,分析各类别生产因素对产品最终性能的影响。