针对传统连铸下渣检测存在的精度低、自动化程度低和时间滞后等问题。采用有效方法识别并预报出下渣时间是解决钢坯质量的关键,也是为连铸生产实现智能化发展的重要前提。对已有的连铸生产数据进行特征分析,结合智能算法对数据进行特征提取,完成的主要研究工作如下:1)针对直接对观测值进行下渣识别精度低问题,通过层级时序记忆(HTM)算法和Kullback-Leibler重要度估计程序(KLIEP)算法建立了一种连铸下渣预报模型。采用HTM算法对数据进行预测,根据预测残差来判断数据变化趋势,再用KLIEP变点检测算法对预测残差进行检测将会提前预测出下渣并且有很高的识别精度。2)针对HTM算法中特定参数值调整速度慢,易陷入局部最优的问题,用蝙蝠启发算法(BA)优化HTM算法,BA是一种新的元启发式优化算法,基于蝙蝠的回声定位行为,结合种群和局部搜索算法的优势。采用BA优化HTM算法,以提高HTM预测准确率和运算速度。3)针对KLIEP需要对所有样本都用于估计,计算效率不高的问题,提出在线KLIEP直接密度比估计方法,由于变化点检测中需要随着时间的推移顺序计算,该方法在批量处理的方法基础上递归地构建新的解决方案,以降低计算成本,提高检测精度。优化后的HTM网络和改进后的KLIEP算法的结合可以有效地提取出下渣特征,提高下渣预报精度和识别速度,为连铸下渣预报技术发展提供了新的思路和想法。图31幅;表6个;参47篇。