随着连铸技术的不断发展，高效连铸技术已成为连铸技术领域的主要研究方向，受到世界各大钢铁企业、工程公司及设备制造商的高度重视。高效连铸技术是以高质量、无缺陷的铸坯生产为目的，实现高连浇率、高作业率的连铸系统技术。高拉速是高效连铸技术的核心，而随着拉坯速度的提高，漏钢的风险性也随之增加。连铸过程中的漏钢成为制约拉速提高的关键因素，开发实时有效的漏钢预报系统，对可能发生漏钢的特征进行识别、预警是防止漏钢事故发生的主要手段。目前，我国对漏钢预报技术的研究还处在初期阶段，对漏钢的形成机理及其过程缺乏系统的研究；现有的漏钢预报系统在连铸生产过程中都存在一定的漏报率和误报率，导致漏钢事故时有发生，造成生产的停滞和设备的损坏。因此，本文针对这一课题，以邯钢CSP薄板坯连铸机为研究对象，对连铸过程中的漏钢预报进行了深入的研究。主要工作如下：分析总结了连铸过程中的主要漏钢形式及其形成原因；结合结晶器内钢液弯月面行为，对粘结漏钢的形成原因进行重点分析与探讨；并针对漏钢的诱发因素，提出了相应的预防措施。将小波分析理论引入到漏钢预报系统中，对热电偶所采集的温度信号进行降噪处理。通过选用适当的小波函数对温度信号进行多尺度的小波分解，然后采用Birge-Massart阈值对小波分解系数进行处理并重建温度信号，从而去除了存在于温度信号中的噪声。降噪后的温度能够更好地反映出结晶器铜板上热电偶所采集温度的变化趋势。从而为漏钢温度特征的识别提供了更为准确的数据。针对BP神经网络在训练过程中存在局部最优解及收敛速度慢的缺陷，将粒子群优化算法、遗传算法及LM算法引入到BP神经网络的训练过程，分别建立了GA-LM-BP神经网络漏钢预报模型和PSO-LM-BP神经网络漏钢预报模型，并用连铸生产现场采集的数据对所建模型进行了训练和测试。测试结果表明，经过遗传算法和LM算法优化的GA-LM-BP神经网络漏钢预报模型对连铸过程漏钢温度特征的识别具有更高的准确率。最后，为了验证神经网络漏钢预报模型的有效性并达到实际应用的目的，利用Visual C++及ANSYS软件开发了以GA-LM-BP神经网络为核心算法的薄板坯连铸可视化漏钢预报系统，并通过了实验室测试。测试结果表明，本系统在结晶器内发生粘结时能够及时做出准确判断并给出报警，程序界面可以动态显示热电偶的温度和温度变化曲线，以及实时显示结晶器铜板热面温度云图对漏钢温度特征进行辅助判断。