近年来，从大型数据库自动提取知识的需求急剧增长。于是相应地，数据库中知识发现(KDD)和数据挖掘两个密切相关的领域中，企图从大量原始数据中智能地提取感兴趣及有用信息的过程和方法得到了很大发展。从生产过程到企业管理，这种技术得到广泛用。本文以国内某一大型钢铁企业为背景，给出了一种改进的知识发现方法，用于发现脱硫过程的规律和知识。 首先，论文对KDD领域各种现有理论，遗传算法，原理及技术，实际算法，性能和其作用范围等作出深入研究．再而对遗传算法的改进及其在系统建模中的应用作出分析，从而引出广义遗传法，对寻伏思路及生物学作出相对之解释，并在步骤，进化策略，遗传算子的设计，多种群的算法及流程图与仿真试验作深入探讨。再从混沌理论的特性，就是”短期可以预测，长期不可预测”的算法，及开放系统混沌动力学，从而引伸变尺度混沌优化法来确定RBF宽度的方法。 继而分析了RBF神经网络的基本原理。为了克服RBF神经网络在确定中心个数和宽度中的困难，本文给出改进的广义遗传算法，利用J. D. Schafer提出的函数进行仿真试验的结果，证明了该算法的有效性和对于系统建模的适应性。其次，为了进一步优化RBF的中心，本文引入了输入输出聚类方法。RBF的宽度直接影响网络的泛化性能，其值偏大网络精度不够，偏小时泛化能力降低，因此本文采用了混沌搜索优化RBF的宽度。仿真结果表明RBF混沌搜索算法是有效和实用的。 其后，将改进后的RBF神经网络用于铁水脱硫过程的静态预测模型，其中铁水重量、铁水脱硫前含硫量、铁水脱硫后含硫量作为输入，脱硫剂用量作为输出。离线仿真结果表明： 1．本文所给出的算法不仅可以用于提取RBF的中心数，还优化了中心位置，提高了模型精度； 2．基于混沌搜索优化的RBF宽度保证了模型的泛化能力； 3．利用RBF神经网络建立的铁水脱硫静态预测模型可以用于铁水脱硫过程中脱硫剂用量的预报。 4．在研究中发现，遗传算法优化时间复杂度较高，即使采用了收敛速度较快的广义遗传算法，模型优化时间仍然较长。即使能满足脱硫过程在线建模及实时控制的要求，但是如何进一步提高算法的收敛速度仍然是一个值得我们今后深入研究的的课题。