随着钢铁行业的迅速发展，钢铁的质量和性能都变得愈发重要。热轧带钢是众多钢铁产品中十分重要的一种。在热轧带钢生产过程中，精轧终轧温度是影响带钢性能和组织的关键因素。　　为了实现对终轧温度的准确预报，需要针对终轧温度建立预测模型。而影响终轧温度的因素种类繁多且耦合严重，为了降低预测模型的复杂度同时提高模型预测精度，在众多的因素中提取出影响终轧温度的关键因素显得非常重要。因此本文提出了一种改进的基于最小生成树的高维数据关键特征提取算法，该算法可以使数据中与终轧温度不相关和互相冗余的属性在一次提取过程中被去除。　　论文首先对基于最小生成树的关键特征提取算法进行了简单介绍，针对算法处理实际精轧过程数据时出现的单点多发散问题对算法进行了改进。将改进的特征提取算法应用于实际精轧过程数据，得到了影响终轧温度的关键特征属性。之后，本文结合改进的特征提取算法和支持向量回归提出了一种终轧温度预测模型构建方法，通过对模型参数的优化以达到了比较满意的预测效果。最后，将支持向量机模型和神经网络模型进行了对比。