转炉炼钢作为一种非常重要的炼钢方法，其主要任务就是生产出成分合格、温度合适的钢水。由于转炉冶炼过程是一个非常复杂的带有强耦合性的高温物理化学变化过程，输入输出之间存在很强的非线性关系，还无法对其冶炼机理进行透彻的解析，所以要建立常规的数学模型对其进行描述是非常困难和不切合实际的。 目前，广泛采用静态控制技术结合以副枪检测为基础的动态控制技术的方法建立转炉冶炼过程控制模型。本文正是从这种建模思想出发，根据转炉炼钢过程特点，以转炉冶炼机理和具体生产工艺为基础，对冶炼过程中碳含量和温度的控制从静态和动态两方面着手进行了系统研究，从而达到提高冶炼终点碳含量和温度命中率的目的，保证出钢质量。 针对转炉炼钢过程静态控制，首先建立了以冶炼机理和生产工艺为基础的冶炼知识模型，在此基础上依据再现性原理，应用能量平衡及质量平衡方程中各平衡项，建立结合统计学理论的静态增量控制模型，即分别建立控制参量关于热平衡项和氧平衡项的增量方程，并采用多元回归分析方法确定增量方程中的未知参数，通过求解增量方程获得本炉次冶炼控制参量值，从而达到利用历史炉次冶炼实绩指导本炉次冶炼的目的。 由现场收集到的数据对静态控制模型进行验证，得到模型的碳、温同时命中率为64％左右，相比原来一直徘徊在40％左右的情况有了明显提高，模型效果显著。 针对转炉炼钢过程动态控制，本文将对冶炼终点的预报作为研究重点，引入智能控制技术，建立了基于人工神经网络理论的冶炼终点动态预报模型，为进一步实施终点动态控制打下基础。 在对人工神经网络理论进行一般性研究的基础上，采用泛化性能、收敛速度良好，拓扑结构简单的RBF神经网络分别建立了冶炼终点碳含量和温度的预报模型。由于RBF神经网络性能受其自身神经元数量和网络中心值影响较大，本文在建模过程中采用SVD方法对网络模型中神经元个数和网络中心值等参数进行了优化处理，从而使模型结构简化，计算速度加快。人工神经网络的应用为在冶金工业中更好的实现智能控制技术做了有益尝试。 应用测试样本对动态预报模型准确性进行评价，终点碳含量和温度同时预报命中率达到75％，收到良好效果。