目前,热轧带钢生产者越来越关注其产品的质量稳定性及生产线的柔性生产能力,传统的钢铁生产面临着新的竞争,技术需进一步改善。钢材软测量模型在热轧中的应用是解决上述问题的必要手段。本文根据实际需要,提出了BP神经网络和支持向量机回归两种钢材软测量模型。首先针对现场采样数据存在噪声的缺点,借鉴数据挖掘的思想,预处理了从生产现场采集的数据,为模型的建立提供了真实、可靠、充分的数据样本。之后,基于传统热轧工艺参数选取经验,从数据样本中选取模型所需的原始化学成分和热轧工艺参数并根据主元分析方法对数据进行了降维处理。在热轧带钢软测量模型中,通过对标准BP神经网络、支持向量机回归软测量模型的对比研究,分析了两种软测量方式各自优缺点并进行改进,提出了遗传算法优化BP神经网络、对支持向量机回归进行参数寻优两种方案并对结果进行了对比分析。实验验证支持向量机对小样本的支持较好、网络泛化能力强、预测结果稳定。参数寻优的支持向量机与遗传算法优化的BP网络相比较,平均误差降低30.2%,误差极差降低52.9%,说明参数寻优后的支持向量机回归是热轧带钢力学性能软测量方法中一种比较优秀的方法。