回转窑熟料烧结是氧化铝生产工艺中的关键工序。烧结过程是一类典型的复杂工业过程，用机理分析或系统辨识的方法建模难度很大。在鼓风机、排烟等风门开度保持不变的情况下，喂煤量的供给是控制窑内烧结温度的主要操作变量。本文充分考虑回转窑烧结过程中各热工参数对烧结过程的影响，将核主成分分析（Kernel Principal Component Analysis,KPCA）与隐马尔可夫模型（HiddenMarkov Model,HMM）相结合，并根据窑前操作需求进行最小风险贝叶斯决策(Bayesian)得到回转窑喂煤量变化趋势预测结果，此时模型表示为KPCA-BHMM。本文主要进行的研究工作如下：分析了时间序列的压缩，并针对回转窑热工数据的时间序列，提出了关键点的时间序列压缩和一阶差分均值的子序列描述；针对回转窑烧结过程中所采集的数据都具有非线性结构，利用核主成分分析消除数据中的噪音，提取包含信息的主成分，并对数据进行降维；利用HMM在时间序列预测方面的优势，将HMM引入到回转窑喂煤趋势的预测中，并针对离散HMM模型中的矢量量化问题，提出了一种等比例缩放的矢量量化方法；结合熟料烧结过程中对趋势错判所带来的损失，将最小风险贝叶斯决策引入到回转窑喂煤量变化趋势的判断中来，利用HMM模型算出的后验概率和决策表进行最小风险贝叶斯决策来获得喂煤量变化趋势；利用回转窑现场数据对上述核主成分分析-隐Markov-贝叶斯决策模型方法（KPCA-BHMM）进行验证和仿真，并将其与朴素贝叶斯模型（NBC）、主成分分析-隐Markov模型（PCA-HMM）、核主成分分析-隐Markov模型（KPCA-HMM）的仿真结果进行对比，表明该方法对窑内喂煤量有较高的预测精度。论文的研究为基于喂煤操作的窑内烧结温度控制、熟料烧结过程中操作优化的有效实施，窑况改善以及产品质量的提高和生产的节能降耗创造了条件。