中厚板是我国基础建设的主要原材料之一。随着市场要求的不断提高和钢铁行业竞争的日益激烈,中厚板生产逐渐暴露出了一些问题。在控制冷却方面,目前所使用的温度控制模型的精度和稳定性存在局限性,传统的自学习模型也存在精度不高,学习时间长等局限性。并且在中厚板生产控冷系统中,也存在一些问题,主要表现在数据利用水平低、工艺参数优化不够、过度依赖人工经验等方面。为了应对上述中厚板轧后控冷存在的问题,本文针对传统轧后控冷系统中自学习模型的局限性,利用深度学习的大数据特征信息挖掘能力,在原有轧后控冷系统基础上,对原系统变比例网络（Variable Scale Grid,VSG）自学习模型优化补充了深度神经网络（Deep Neural Networks,DNN）模型,实现了双自学习模型的并行控制构架,增加可在线更新权重的神经网络模型,实现了工艺预测与数据训练网络的在线同步的功能,并且针对DNN模型的非通用性对迁移学习策略进行了探索性研究。本文主要研究工作包括:（1）在查阅国内外控制冷却工艺技术的研究进展及相关文献的基础上,综述了控冷系统温控模型与自学习模型的发展,对深度学习的发展与其中数学理论基础进行了详细的阐述,系统地研究了网络参数对其精确度的影响,并对深度学习常用构架并且如何构建深度神经网络进行了分析。（2）研发了新型中厚板在线控冷系统,针对于现场生产中对冷却控制系统提出的高精度、强鲁棒性等要求,提出并建立了“VSG+DNN”双自学习模型并行运作系统,在原中厚板轧后控冷系统基础上,将原系统VSG自学习模型优化补充了深度神经网络模型,实现了双自学习模型的并行控制构架。（3）实现了双自学习模型新型控冷系统的首次工业化应用,参与建立新型“VSG+DNN”双自学习模型轧后控冷系统。在生产过程中实现了深度神经网络的在线同步更新功能,基于优化补充的深度学习模型所开发出的新型控冷系统性,有效提高了冷却温度精度和稳定性。（4）对迁移学习在中厚板轧后控冷系统中的应用进行了探究性研究,针对于深度神经网络模型的数据域不通用性,将国内某3500mm中厚板线上的生产数据进行迁移学习训练,该方案能大量减少模型训练时间,实现优质数据知识的逐步积累。