卷取温度对带钢的金相组织影响很大，是决定成品带钢加工性能、力学性能、物理性能的重要工艺参数之一。层流冷却过程具有强非线性、不确定性、时变的特点，采用传统的基于传热机理和统计分析的建模方式难以满足卷取温度优化控制要求。本文针对层流冷却控制系统的不足，提出了基于智能建模理论的控制模型参数优化策略，有效地提高了卷取温度的控制精度。论文的主要研究成果包括： (1)针对卷取温度控制的问题，深入研究了层流冷却工艺流程、卷取温度模型和基本控制策略。总结现有系统的不足主要包括：前馈模型仅考虑实际终轧温度的变化，控制精度不高；热流密度的计算公式不能很好反映相关因素与热流密度之间的非线性关系；卷取温度模型没有考虑带钢厚度方向的热传导，使得厚板的控制精度偏低； (2)分析了实际终轧温度、目标终轧温度、目标卷取温度、运行速度、冷却水温、总流量、带钢厚度等参数对卷取温度控制精度的影响。针对它们之间存在的严重非线性关系，建立了基于BP神经网络的卷取温度预测模型，用预测卷取温度与实际卷取温度的差值作为前馈模型的输入，有效地提高了前馈模型的控制精度； (3)针对传统基于多元回归的热流密度模型计算精度不高，不能很好反映相关因素与热流密度之间的非线性关系，建立了基于BP神经网络的热流密度模型。离线仿真结果表明BP模型的均方根误差小于回归模型的均方根误差，有效地提高了热流密度的计算精度； (4)考虑带钢内部的热传导，建立了基于线性回归的表面温度修正模型，对实时采集的终轧温度和卷取温度进行补偿，提高了厚板的控制精度； (5)实现了控制模型参数智能优化算法和模型自适应算法的工业测试运行。 运行结果表明本文提出的层流冷却过程控制模型参数智能优化策略有效地提高了带钢头、中、尾部卷取温度的控制精度。