本文对性能预测、CSP技术和数据挖掘技术进行了研究，其目的是找到一种高效的数据挖掘算法来研究钢铁企业生产过程中所积累的大量数据，并通过化学元素含量和工艺参数与带钢产品最终力学性能的关系，建立一个预测模型，从而对生产过程进行控制和预测，并对产品工艺的优化提供指导。选取CSP热轧板卷Q235作为研究对象，分别从其轧制、冷却、卷取等生产过程中抽取数据建立相应的数据集市，并在此基础上利用SPSS和Matlab分别建立回归预测模型和BP神经网络预测模型。并得出如下结果：碳、锰、硅元素的含量、开轧温度、终轧温度、冷却开始温度、冷却结束温度、卷取温度、原始厚度以及成品厚度是影响Q235钢板最终力学性能的因素，均作为模型的输入参数；模型的输出参数是抗拉强度、屈服强度和延伸率（本文以抗拉强度为研究对象）；BP神经网络预测模型由于其具有较强的非线性映射能力，所以能够达到预定的要求，所建立的BP神经网络模型能够将抗拉强度的预测误差控制在20MPA之内，并有98%的预测样本误差率小于5%，较回归模型来说能够较好地对钢铁材料的力学性能如抗拉强度等进行预测，且其精度较高，具有一定推广价值；利用已训练好的BP神经网络研究化学元素含量和工艺参数对抗拉强度的影响，发现化学元素含量对抗拉强度有正的影响，而工艺参数对抗拉强度有负的影响，该规律能够对马钢Q235板卷生产工艺的优化提供指导。