高炉炉温是高炉稳定顺行的保证，同时也是制约高炉冶炼成本的主要因素。合理的高炉铁水温度是判断高炉顺利运行的重要指标。目前主要利用高炉铁水硅含量预测炉温。而高炉炉温与高炉铁水硅含量呈现正相关而非严格的线性关系，则应用高炉铁水硅含量此单一指标预测高炉炉温存在一定的缺陷。随着信息科技的快速发展，高炉冶炼过程积累了大量数据。如何寻找低碳、高效以及优质的高炉生产模式已迫在眉睫。同时智能控制论的深入研究，为利用数据挖掘技术建立高炉炉温预报模型的研究提供了理论依据和方法支持。在数据挖掘技术下，通过对高炉炉温数据特征提取建立各变量间隐含数学关系，已引起了高度重视，成为当今冶金科学发展的前沿课题。针对高炉冶炼过程中的海量数据，高炉铁水硅含量这一研究对象存在一定的不足以及冶炼机理建模存在的主观性，本文利用数据挖掘理论建立了基于高炉铁水温度预报的统计学模型。鉴于高炉冶炼过程是一个大惯性的非线性系统，并考虑时间滞后对高炉铁水温度建模的影响，利用多元时序建立铁水温度的多变量时间序列模型，且通过各变量时间序列分析揭示出高炉炉温的发展变化规律。高炉炉温预测模型是在某一特定的环境条件下建立的。即各高炉炉温预测模型是针对某一高炉的特殊约束条件下建立的预报优化模型，其模型不能直接或通用到其他高炉炉温的预报。本文是在高炉输入库条件如白云鄂博铁矿石成分相同、负荷、料速和风量等相对一致的情况下，对某钢厂大型高炉炉温数据进行统计学建模及寻优。基于数据挖掘的高炉铁水温度预测建模研究为高炉炉温的准确预测提供了重要的理论指导意义。论文首先介绍了多元数学建模以及模糊数学建模的基本理论。接着对高炉炉温预报模型的各输入输出变量进行了数据的预处理分析。其主要包括异常值检验、缺损值的补足、数据的相关性分析以及多元时间序列模型中各变量时滞的确定等。通过广义偏自相关系数确定多元时间序列模型中各变量的滞后步长。然后，将各智能算法应用到多元回归模型和多元时间序列模型。其中，两种模型均采用多输入单输出模式。最后，应用高炉检测系统在线采集的变量数据完成铁水温度的建模及其模型的仿真校验。通过各模型的预测图、误差图和模型的性能评价指标，分析比较了各算法的优缺点以及不同模型的适用范围，可得结论：基于T-S模糊神经网络的多元时间序列模型的跟踪效果以及模型精度最优。本文形成了基于数据驱动的高炉操作优化控制体系，分析了丰富的基于数据挖掘的建模及优化理论。对高炉铁水温度预测模型的最优模式研究和高炉冶炼过程的成本核算与高炉工长控制高炉冶炼过程的操作提供了良好的理论依据。同时高炉炉温预测优化模型的不断探索为高炉冶金行业的节能降耗起到非常重要的作用，也减少中国钢铁行业对进口铁矿石的依赖程度。