Viele industrielle Prozesse, insbesondere in der Stahl- und Aluminiumproduktion, habensowohl stark nichtlinearen als auch zeitvarianten (Tagesform) Charakter. Werden NeuronaleNetze zur Modellierung solcher Prozesse eingesetzt, erfordert dies im Gegensatz zur üblichenAnwendung Neuronaler Netze ein zeitlich unbegrenztes oder kontinuierliches Lernen.In diesem Beitrag werden die Aufgabenstellung und die Anforderungen an ein kontinuierlichesLernen mit Neuronalen Netzen diskutiert und verschiedene Lösungsansätze aufgezeigt.Am Beispiel der Profilsteuerung in Walzwerken wird eine industrielle Anwendung vorgestellt,bei der ein Neuronales Netz durch die Kombination mit einem konventionellen, mathematischenModell die Vorteile beider Verfahren auf elegante Weise miteinander verknüpft.