在现代钢铁生产过程中,烧结是为高炉炼铁提供原料的重要环节,用烧结法生产烧结矿不仅解决了贫矿炼铁问题,同时还改善了含铁原料的冶金性能,使高炉生产指标和经济效益均得到明显提高。烧结矿氧化亚铁(FeO)的含量是烧结生产的一项综合性指标,它代表了烧结矿的还原性。对烧结矿FeO含量实时地准确预测,对指导烧结生产有着重要的意义。烧结矿FeO含量受到多个烧结参数影响,其模型复杂,往往只能通过BP神经网络的方法进行建模,但是BP神经网络具有收敛速度慢等缺点,难以较好的运用到烧结矿FeO含量的实时预测。烧结矿机尾断面图像能较好的实时的反映烧结矿FeO含量,是近年来研究的热点。本文对多个周期的机尾断面图像做了大量的分析和研究,针对以往采用的外触发方式选取烧结机尾断面图像的不足,在断面图像的选取上提出了新的方法:基于差分的最佳断面选取法,并利用该方法在图像序列中选取了最佳断面图像,为后续提取图像特征参数的正确性提供了保证。在图像参数的特征提取上本文也做出了较大的改进,通过对机尾断面图像色彩信息的分析,利用机尾断面数字图像中不同的色彩分量提取不同的特征参数,简化了图像参数提取的过程。本文利用C均值模糊聚类分析与径向基函数(RBF,Radial Basis Function)网络相结合的方式预测烧结矿FeO含量。C均值聚类具有较好的聚类精度,而RBF网络具有结构简单,收敛速度快的特点。通过对样本图像特征参数的聚类,将FeO含量样本分为4类,针对不同类别的样本集,用对应的烧结过程参数集训练RBF函数,得到4个参数散布率较小的RBF模型。在预测过程中,首先利用C均值聚类初判别该断面中的烧结矿FeO含量等级,然后将该时刻的烧结现场过程参数输入相应的RBF模型中进行计算,预测FeO含量。利用上述的关键技术,结合以前的研究基础,利用组件技术开发出了烧结矿FeO含量实时预测系统。该系统能实时预测烧结矿FeO含量,系统稳定性好,操作简单,现已在某大型钢铁集团炼铁厂第三烧结车间运行一年,预测结果与化验结果进行匹配,检测结果均值与化学分析结果的符合率大于85.0%,绝对误差控制在小于±0.3,达到了预期精度。