蓄热式加热炉是上世纪90年代逐步出现的钢材热轧生产线主要热工设备，其对钢材加热质量的好坏直接影响钢产品质量。特别是在能源日益紧张的今天，如何进一步提高产品质量，同时降低能耗具有更加重要的意义。 本文以蓄热式步进梁加热炉为研究背景，简单介绍了蓄热式加热炉概况和智能算法。根据对以往采用的机理建模方法和一些智能建模方法的研究和分析，本文提出了一种基于遗传算法和BP神经网络相结合的加热炉钢坯温度数学模型，和基于遗传算法热物性参数寻优的非稳态有限差分方程建立的钢温数学模型及炉温优化设定的方法。 钢坯在炉内的温度分布尤其是在出炉口处钢坯表面温度和断面温差对于实现加热炉的闭环最优控制和预测钢坯的轧制效果具有重要的意义，因此，加热炉只有合理控制钢坯出炉温度及其分布才能保证轧制质量、降低加热炉燃料的消耗。生产实践中，一般基础自动化控制认为合理的炉内温度制度就能加热出合适的钢坯，人们还无法直接测量移动钢坯在炉内的温度分布，钢坯只有出炉后才能知道出钢温度是否合格。这样就不能对钢温进行跟踪而且一旦出现出钢温度不合格就已经无法挽回了。一般方法是建立加热炉的钢温数学模型推算出炉内钢坯温度进而通过数学模型建立最佳的炉温制度，用于改善钢坯加热质量。 本文首先采用的智能建模是通过遗传算法和BP神经网络相结合的方法建立的；然后基于热物性参数的GA寻优结合非稳态有限差分法又建立了一种钢温模型。以往的机理建模，大都都是建立在大量的模型假设的基础之上。在取得大量易获得的过程数据的基础上，第一个模型利用遗传算法来初确定BP网络的初始权值和阀值，然后再利用BP网络进一步寻优得到更好的权值和阀值。这样既避免了遗传算法的速度慢，又避免了BP算法容易陷入局部最优的情况；第二个模型利用遗传算法对热物性参数进行寻优，从而确定模型。稳定生产时，仿真结果表明了建立的钢坯温度模型能比较准确地计算出钢坯温度；这一结果也为今后钢温数学模型的研究提供了一种有益的尝试。