连续退火生产中硬度是评价带钢质量的重要指标,传统离线测量硬度的方法存在较大的滞后性。连续退火生产是一个复杂的工业过程,变量众多并且相互之间具有很强的耦合性,难以建立精确的机理模型。数据采集技术的进步使得数据驱动建模方法可以应用到带钢硬度预测中。作为数据驱动方法的集成学习能够解决单个模型不稳定的情况,但应用到带钢硬度预测上仍存在泛化能力不高的问题。因此,本文以连退机组带钢硬度预测为背景,将集成学习和多目标优化按照两种不同的方式进行结合,并利用所得的建模方法来实现对带钢硬度的准确预测,以提升冷轧连续退火生产的产品质量。具体研究内容包括:（1）确定了影响带钢硬度的因素,对所得到的带钢数据进行了预处理,为后续的建模过程提供整齐、简洁、准确的数据。在模型评估方面,采用多次留出法,通过划分多组训练数据和测试数据,来保证模型结果的稳定可信。（2）分析了单个学习机和传统的集成学习建模方法的局限性,提出了将集成学习与多目标优化相结合的建模思想。针对传统集成学习方法在子学习机训练过程中不考虑学习机差异性的问题,提出了基于多目标训练单目标集成的建模方法,即在子学习机生成过程中同时考虑学习机的精度和学习机之间的差异性。将实验结果与单个学习机进行对比,实验结果证明了多目标训练单目标集成建模方法的有效性。（3）针对AdaBoost和Bagging在连退带钢硬度预测中集成效果有待提升的问题,提出了两者混合的训练样本处理方法,以及基于单目标训练多目标集成的建模方法,即在子学习机的集成过程中同时考虑学习机精度和学习机差异这两个相互冲突的目标。将多目标集成与AdaBoost、Bagging在相同的数据下进行了对比实验,证明了多目标集成的有效性。（4）针对所提出的两种连退生产过程集成学习建模方法进行了比较分析,设计了不同学习机数目和不同子学习机性能的集成学习实验,分析了参数变化对集成结果的影响及这两种集成学习方法之间存在差异的原因。