本文以国内某钢铁企业2160 mm热连轧生产线为背景,基于生产过程的数据和热轧带钢板凸度控制的相关理论,提出并建立基于人工智能技术的高精度板凸度预测及故障分类模型。本文的主要研究工作如下:（1）结合实际热连轧生产线的工艺背景及数据传递原理,分析轧机的控制方式,筛选影响板凸度的关键特征。针对热轧带钢工业现场数据,提出收集、异常值剔除及数据降噪的预处理方案,并对输入特征进行归一化处理,为后续的板凸度建模分析奠定基础。（2）建立基于神经网络的热轧板凸度预测模型,以MSE和R为指标,研究模型关键的超参数对预测性能的影响。采用MSE、R、MAE、MAPE和RMSE作为最终模型的评价指标,构建基于深度学习的最佳板凸度值预测模型,RMSE为2.06 μm,MAE为1.39μm,MAPE为2.55,且97.04%的样本的实测值与预测值的绝对误差小于5μm。充分考虑热轧的轧制过程机理,提取带钢宽度、窜辊量、轧制力、弯辊力等关键参数对板凸度的影响规律,证明基于数据驱动的板凸度预测模型符合实际物理规律。（3）以深度置信网络为核心,构建带钢板凸度分类模型。基于热轧过程实际数据拥有多类别且类别不平衡的特性,采用SMOTE算法处理少数类样本,提出一种改进的主动学习框架提高模型的分类性能,并采用5组标准数据集用于验证框架的有效性。对于实际热轧数据,研究选择策略中样本的选择数量及高斯核函数对模型性能的影响,利用G-mean和MAUC为模型评价指标,通过5次5折分层交叉验证,获取稳定的分类结果。AL-SMOTE-DBN 的综合性能为最优,其 F1-Macro 为 0.7140,F1-Micro 为 0.8179,G-mean达到了 0.8109,标准差为0.0507;MAUC为0.9522,标准差为0.0241。综合分析评价指标,AL-SMOTE-DBN具有良好的分类性能和模型稳定性。