转炉炼钢是当今世界上最主要的炼钢方法。我国一些先进的钢铁企业的转炉已采用动态控制技术。但由于历史原因，国内许多钢厂的中小型转炉一直依靠经验在炼钢，而技术人员的经验和操作水平受诸多因素影响，在实际冶炼过程中会产生误差，其冶炼结果并不太理想。由于资金和技术的限制，这些钢厂无法进行动态控制技术炼钢。针对这个问题本文建立了转炉炼钢专家系统的静态预测模型，以提高转炉炼钢产量和质量，减少能源消耗，降低炼钢成本。转炉炼钢专家系统的核心是其预测模型，转炉炼钢预测模型主要有理论模型、增量回归分析模型、BP神经网络模型和RBF神经网络模型。理论模型由于需要假设条件过多，其预测的结果偏差较大。在冶炼工艺比较稳定的情况下，增量回归分析预测效果比较理想，但是传统的增量回归分析模型一般取冶炼的前几炉次数据作为样本数据，其预测精度不高。RBF神经网络与BP神经网络相比学习时间短，具有很好的非线性预测效果，传统的RBF神经网络一般采用最邻近聚类算法、K均值聚类算法等，这些方法很难确定RBF神经网络隐含层节点的个数或异类样本之间距离的阈值。本文分别对这三个模型的缺点进行改进，提出了改进的理论模型、样本自选择回归分析模型和基于最小生成树聚类的RBF神经网络预测模型，并通过动态加权法将这些改进后的模型进行整合得到一种复合预测模型。用复合预测模型对某钢厂16炉的冶炼数据进行的仿真，仿真结果表明在耗氧量预测偏差不大于1.25%的占100%，生石灰加入量预测偏差不大于4%的占93.7%，轻烧白云石加入量预测偏差不大于10%的占87.5%，其仿真结果明显要好于其它模型。本文采用面向对象的技术和UML建模对系统进行分析设计，并利用C++编程语言将其实现。系统在韶钢的实际运行中，在合格范围定为目标温度±20℃，目标碳含量±0.02%的条件下，在线指导的65炉中碳命中率为89.23%，温度命中率为86.15%，碳和温度同时命中的命中率为78.46%，超过了预期目标。