烧结是钢铁冶炼的重要工序之一，烧结矿是我国高炉炼铁的主要原料，烧结矿化学成分的稳定性直接影响高炉炉况和钢铁产品质量。烧结过程是一个具有大滞后性、强耦合性、强非线性等复杂特征的动态系统。烧结矿化学成分难以被稳定控制，实现烧结矿化学成分准确预测对其稳定控制具有十分重要的意义。　　目前传统浅层网络算法未能充分发掘烧结过程的本质规律，预测精度不够高，难以满足实际生产需求。且在实际生产过程中，一直采用人工化验的方式造成数据检测严重滞后，无法实时预测烧结矿化学成分。针对以上问题，本文提出了基于深度置信网络(Deep Belief Network，DBN)的烧结矿化学成分预测模型，并结合瞬发伽马射线中子活化分析(PGNAA)技术实现在线预测系统，实现烧结矿化学成分的实时快速预测。　　首先，本文通过对烧结过程深入分析，确定模型预测参数，并分析预测算法，选择建立基于DBN的烧结矿化学成分预测模型。其次，使用灰色关联分析方法确定模型输入参数，剔除样本异常数据和归一化处理。在此基础上，设计DBN模型结构，建立基于DBN的烧结矿化学成分预测模型，基于实际生产数据对模型仿真分析，并和BP神经网络模型和SVM模型等常用的浅层模型仿真对比。结果表明，本文所提出的DBN模型预测精度高，相对其他方法具有明显的优势。最后针对烧结过程离线检测存在大滞后的问题，使用PGNAA技术实现成分在线检测，为DBN预测模型提供实时数据，开发在线预测系统。系统仿真运行结果表明:该系统实现了烧结矿化学成分的准确预测，为烧结矿化学成分的稳定控制提供了新思路。