随着国家的富强,社会的进步,大到国家的航天飞船,小到家居的电子设备都与时俱进,与此同时,种种设备对于钢板的质量要求也随之提升。在热连轧带钢的生产线上,带钢成品的厚度是评价带钢质量的重要指标,在影响带钢厚度的众多因素中,精轧机组的影响尤为重要,设定的二级参数存在着高耦合性,传统的带钢厚度预测模型在数学建模上简化了一些生产中的实际因素,导致生产中常常出现厚度不满意的情况,在传统的预测方法难以满足现状时,将智能控制运用到带钢厚度的预测上,是轧制工业亟待解决的首要问题。本文提出了基于机器学习的带钢厚度预测模型,利用新颖的算法LightGBM为主体框架,以国内某钢厂1700mm实际生产线采集的数据为输入,创建了一个基于LightGBM的带钢厚度预测模型,并提出了一个基于该厂的前馈修正算法,给出生产中的修改意见。本文主要内容如下:（1）构建了具有53维（均为实际生产中的二级控制设定值）的输入和一维输出（实际带钢出口厚度）的基于BP神经网络的热连轧带钢厚度预测模型,在训练测试之后,在利用主成分分析对输入进行降维,将输入数据降到20维后,发现整体的性能有所提高。（2）在上述研究基础上,为了进一步提升预测的精度,构建了一种基于LightGBM的热连轧带钢厚度预测模型,并利用网格搜索算法进行超参数的选择优化,并且与BP,XGBoost,Cat Boost几种算法模型作对比试验,发现基于LightGBM的模型厚度的预测精度明显优于其他几种模型。（3）针对LightGBM的预测模型,构建了一个热连轧带钢厚度预测的界面设计,并且以该厂的实际生产数据,提出了一个小型的算法框架,可以修正预测厚度的偏差,以达到避免浪费材料的效果。