目前，转炉炼钢技术仍然是炼钢行业最主要的高效炼钢方法。但转炉吹炼终点的精确控制一直是炼钢行业悬而未决的复杂难题。转炉吹炼过程自动化的最高目标是提高稳定控制和获得最大利益。然而转炉吹炼技术在应用上也有一定的局限性，这是由于原料加入所带来的不稳定性以及炼钢过程中剧烈复杂的高温化学反应，加上上千钢种的严格标准等原因，对转炉吹炼终点的碳和温度进行精确的在线控制现在仍难实现。为了精确地对转炉吹炼终点进行判断，本文展开了一系列研究，具体内容为:根据火焰图像来判断吹炼所处的阶段，其关键在于如何准确提取火焰的主要特征。依据实际情况，本文选择了火焰边缘线不变矩特征，火焰图像纹理特征，以及图像色彩特征，并研究了它们的变化过程。转炉终点判断问题往往涉及大量的自变量，自变量选取的多与少都对整个模型有影响，自变量多则会加大工作量和建模的速度，自变量少则会影响模型的精确度。解决这一对矛盾的基本思想是在一定的准则下选取对因变量影响较为显著的自变量，建立一个既合理又简单实用的回归模型。通过实验仿真发现：随着转炉吹炼过程的推进，炉口火焰图像在不同的吹炼阶段呈现较为明显的数据上的差别。本文最后利用BP神经网络将图像特征信息与转炉吹炼终点关联起来。选择样本数据建立神经网络预测模型进行转炉吹炼终点的判断，并把建立好的预测模型对两种不同数据情况进行了对比预测，基本达到实时要求。