该文以"宝钢高炉炉温预报及炉热调剂指导模型开发研究"的科研项目为研究背景.结合高炉专家系统的应用水平及中国高炉生产的现状,针对高炉炉温预报及炉热调剂指导中需要解决的实际问题,应用神经网络等人工智能技术,对高炉铁水含硅量、铁水温度预报等问题进行了理论分析和探讨.该文介绍了专家系统和人工神经网络等人工智能技术的特点,并分析了神经网络与专家系统相结合的可行性及必要性;回顾了高炉专家系统的发展及其面临的主要问题;着重介绍了高炉热状态预报专家系统所需解决的主要问题及目前在解决这些问题方面比较成熟的理论和方法.并简要介绍了高炉炉温预报及炉热调剂指导模型的开发环境以及宝钢高炉热状态专家系统现状.针对高炉系统的参数强耦合性、非线性、存在大滞后以及影响因素众多等特点,对宝钢1＃高炉现有参数进行数据分析.讨论了作为预报模型输入参数的选取原则以及模型输入参数的确定.通过多元线性回归的相关性分析,系统的讨论了利用数学方法求取高炉参数滞后时间的方法.针对铁水含硅量预报属于时间序列的直接多步预报问题,该文介绍了基于ARMAX模型的自适应预报模型、基于BP算法的神经网络预报模型和基于遗传算法的神经网络预报模型等几种预报方法.重点介绍了一种将时差方法与神经网络相结合的时间序列直接多步预报方法.该方法解决了经典监督学习的BP算法在直接多步预报时不能渐进计算的问题.对于铁水温度的预报问题,根据铁水温度与铁水含硅量间的关系,采用多元线性回归方法得到.最后,将上述方法应用在高炉炉温预报及炉热调剂指导模型中.根据宝钢1＃高炉工业现场采集的数据应用上述方法进行试验,取得了较好的效果.尤其是采用时差方法与神经网络结合的方法对波动较大的高炉铁水含硅量进行预报,离线命中率达到了83.45％(铁水含硅量预报误差按±0.05％计),相应的铁水温度命中率达到了84.09％(铁水温度预报误差按±10℃计).通过系统在线运行,其在线命中率达到75％以上.