目前的高炉专家系统研究一般是基于传统数据库技术的。由于高炉专家系统的数据具有流数据(StreamingData)的特点，本文将数据流技术引入专家系统。将从传感器网络采集到的数据作为实时的数据流进行处理，改变了传统的数据存储和处理方式，可提高高炉实时系统的实时性和响应速度，并可节约大量的存储空间。 本文给出了基于数据流技术的高炉炉况异常模式挖掘的系统原型设计，重点研究了使用带时标的滑动窗口模型进行的概要信息抽取及概要信息的表示。 滑动窗口模型(SlidingWindow)作为重要的数据流技术得到了广泛研究和应用。通过带有时标的滑动窗口采样数据流中最新的一部分数据，并对窗口中的数据进行概要信息(SynopsisInformation)提取，然后再根据携带着高炉炉况判断所需要的关键信息的概要数据，进行炉况分析和异常模式挖掘。这种技术能够提高系统的实时性，并能处理突发性的数据。另外，仅根据需要保存概要信息数据，这样既能满足查询历史数据的需求，更大大减少了对存储空间的需求。 本文提出用异常模式挖掘技术，实现高炉炉况系统的异常炉况判断功能。本文对数据挖掘常用的决策树算法进行了改进，使之适用于数据流的挖掘；并提出对专家系统数据流的概要信息进行聚类，用寻找孤立点的方法，对异常炉况模式进行挖掘。