作为带钢质量的重要指标,汽车、机械制造、电器及电子工业对带钢厚度的精度要求越来越严格,优化产品厚度精度是提升产品品质的重要途径。热轧带钢的厚度精度主要受精轧机组影响,在精轧过程中,轧件受到轧制力作用发生形变,形变过程中影响厚度的因素众多,而且相互耦合并存在严重的非线性。传统预测带钢厚度的数学模型在建模过程中省去和化简了很多实际生产中的影响因素,因此利用传统数学模型进行误差预测的效果无法令人满意。近年来随着机器学习算法在冶金领域的应用,支持向量机和人工神经网络等机器学习算法被广泛用于带钢厚度预测的研究中。但在实际应用中由于传统浅层学习模型本身的限制,这些方法在复杂背景下进行非线性时序回归预测,将会出现高维特征提取降维不彻底、复杂的函数关系难以表征、多步预测效果不佳等重大问题。因此为了能够学习高维度复杂数据中的映射关系,进而完成数据的回归预测,就需要引入深层结构模型,以提高热连轧带钢精轧厚度预测精度。本文建立了通过深度置信网络提取数据特征的最小二乘支持向量回归模型,并且利用网格搜索和粒子群算法优化模型的相关超参数。通过采集唐山瑞丰钢铁公司950mm热连轧带钢生产线实时现场数据,利用Matlab2017编写程序,对BP神经网络模型(BPNN)、最小二乘支持向量机模型(LSSVM)、深度置信网络-最小二乘支持向量机模型(DBN-LSSVM)三种带钢厚度预测模型进行了训练和离线仿真。仿真结果表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测平均相对误差达到0.71%,预测精度较5.51%预测误差率的传统BP算法和2.88%预测误差率的LSSVM算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景。