随着用户对带钢尺寸和板形精度日益增长的要求，冷连轧过程参数设定成为一个重要的研究课题，轧制力是重要的力能参数之一，轧制力的设定模型精度在冷连轧过程参数研究中占重要地位。　　 现有的轧制力模型大多在多种假设条件下通过一系列简化推导而来，其模型计算结果和实测值有一定的偏差，常规轧制力模型不能提供足够精确的轧制力值。本文以本钢冷连轧机轧制力模型为研究对象，工作集中在轧制力模型的自学习修正与神经网络轧制力模型偏差补偿两个方面。　　 本文详细的分析了轧制力模型的建模机理，对Bland-Ford-Hill轧制力模型及其各子模型进行了深入研究，并根据轧制力公式和轧辊压扁半径公式推导出轧制力显式模型；采用自适应理论中的指数平滑算法计算自适应和自学习系数，利用实测数据反算轧制过程中的变形抗力；采用神经网络对自学习修正后轧制力的偏差进行补偿，借鉴相关文献中确定冷连轧轧制力影响因素的研究成果，建立了八个输入、一个输出的轧制力偏差补偿模型；针对轧制力偏差补偿网络易陷入局部极小点这一不足，利用遗传算法优化神经网络的初始权值和阈值。　　 仿真过程中应用了大量的现场数据，轧制力模型自学习修正后进行偏差补偿，可以显著的提高模型精度，完全达到高精度设定的目的。