近年来,我国钢铁工业发展迅速,钢铁产量规模位居世界前列。因为钢铁被广泛应用于社会的各个领域,例如桥梁、高楼、船舶、机械、铁路以及航空等,因此,钢材的质量会直接影响到民生领域和社会公共安全。钢材的力学性能主要体现在钢材的抗拉强度上。近年来,深度学习发展迅速,凭借其强大的自动特征提取能力,可以对大量数据进行快速分析,具有强大的数据拟合能力,因此在数据特征提取及预测方面得到了广泛的应用,取得了良好的效果。为了提高钢材抗拉强度的预测精度,本文将深度卷积网络(CNN)与长短期记忆网络(LSTM)相结合,采用进化算法优化网络参数,将所建模型应用于热轧钢的性能预测。论文主要内容如下:(1)分析了关于轧钢性能预测的研究现状,介绍了轧钢工艺的流程和相关的成分元素。针对轧钢数据的波动性大、信噪比低、分布不均等特点,采用最小最大标准化和异常点检测等方法对样本数据进行预处理。(2)介绍了卷积神经网络的相关理论和基础知识,并将卷积神经网络应用于本文的热轧钢数据的特征提取。该模型凭借其局部感受野机制,通过组合低层特征,形成更加抽象的高层表示,发现数据的分布式特征表示,不仅可以减少从轧钢数据中提取特征的难度,而且可以全面挖掘高维复杂数据,弥补泛化能力差,训练不足等一系列传统的问题。(3)针对轧钢数据不仅存在空间特征,同时有一定的时序相关性,提出将长短记忆网络与卷积神经网络相结合,用卷积神经网络作特征提取,然后将提取的特征送入LSTM网络进行序列预测。由于网络参数设置不当有可能带来精度不够或处理时间过长等问题,引入进化算法对CNN-LSTM模型进行优化,以构建性能良好的深度学习模型。