高炉炼铁是一个非常复杂的工业过程，具有如下特征：大时滞、多场耦合、动态分布参数、间歇式和连续式操作模式并存、强非线性、多变量耦合和变量类型混杂等。这些复杂的运行特征随生产条件变化而变化，受原料成分、运行工况、设备状态等多种不确定因素的干扰，难以用精确的数学模型描述。在高炉炼铁过程中炉温的预测意义重大。炉温过高会导致焦比升高，生产成本增高，并降低高炉寿命；炉温过低会导致炉内反应热不足，生铁产量降低，甚至有可能会引发高炉事故。影响炉温的工艺参数非常多，许多参数无法实时检测，很多参数对炉温的影响是滞后的，如果等到炉温发生明显变化时再采取操作方针去调节炉温，此时炉温的波动就已经形成了。高炉操作者必须能够对炉温的变化趋势做出提前的判断，这样才能采用合适的操作手段保持炉温的稳定。操作人员可以通过观查高炉风口的明亮程度了解炉缸的热状况，风口窥视孔CCD辐射图像灰度变化反映了风口辐射强度大小，可以较准确的表征风口回旋区的热状态。现有研究存在以下问题：一方面，由于高炉的复杂性导致生产条件和炉况不断波动，现有的预测模型在原料、生产和操作条件发生改变时无法准确预测，需要根据某一高炉特定的生产条件建立与之对应的炉温预测模型；另一方面，高炉是一个“黑箱”系统，风口窥视孔是高炉下部唯一能够直接观察到高炉内部热状态的手段，高炉操作者对风口图像信息十分关注并将其作为预测炉温的重要依据。但之前的研究很少考虑这一因素对炉温预测的影响。本文首先介绍了在节能减排的大背景下炉温预测的重要性以及国内外研究进展，之后对高炉炼铁工艺、重要参数以及风口图像与炉温预测的关系进行了详细的描述，在此基础上着重阐明本文的研究工作：首先提取风口图像，使用数字图像处理方法计算得出风口图像平均灰度值，利用最小二乘法建立炉温预测模型；接着将采集的高炉数据进行参数选取和数据预处理，基于数据建立炉温预测模型；最后综合利用高炉数据与风口图像，建立BP神经网络模型对高炉炉温进行综合预测，并使用遗传算法对BP神经网络模型进行优化，进一步提高预测的准确性。仿真结果证明该方法能准确预测炉温，模型预测命中率比仅用风口图像或高炉数据更高。该研究能为高炉操作者提供更可靠的炉温信息，保证高炉顺行，为高炉炼铁的高效高产和节能降耗提供参考。