高炉炉况诊断与预报对于高炉操作具有重要的意义。由于高炉冶炼过程是一个多变量、强耦合、非线性、不确定、时变的复杂工业过程，高炉炉况诊断一般采取基于案例学习的方法。由于高炉异常炉况的案例征兆数据集常常是小样本数据集，因此，需要在小样本学习集下具有很好泛化能力的诊断方法。针对高炉炉况小样本数据下的诊断问题，本文提出了一种基于支持向量机和神经网络的分层结构诊断模型。首先，采用支持向量机方法构建多个炉况分类器进行初始分类，获得分类向量在各支持向量机分类器相对最优分类面的距离，获得很好的泛化能力。其次，以支持向量机输出为输入，建立炉况神经网络分类器进行二次分类，输出为属于各炉况的可信度值(即隶属度值)，减少了支持向量机方法误分、错分的发生，提高诊断的准确率。最后，根据各炉况诊断神经网络的输出，通过比较可信度值大小做出最终的炉况诊断。炉况诊断系统给出历史数据下的各炉况的分类距离，据此采用神经网络方法预报下一周期各炉况的分类距离，通过比较当前诊断值和预报值给出炉况向某种炉况的变化趋势，做出炉况趋势预报。通过对高炉实际运行数据的仿真，采用上述方法建立的诊断与预报系统具有较好的效果，证明这种新的炉况诊断与预报方法是有效的。