当今世界先进炼钢生产工艺流程的一个重要环节是精炼炉炼钢，它是将转炉或者电炉冶炼后的钢水，加入脱氧剂、合金料，进行脱氧、脱硫和均匀合金成分，炼制优质钢和特种钢的钢水二次冶炼工艺。如何精确控制钢液温度和终点成分，是一个迫切需要解决的课题。LF钢水温度以及终点成分的准确预测，对提高钢水质量、降低炼钢成本、合理组织生产、对操作人员选择最佳控制策略是很有帮助的。　　本文以福建三明钢厂100吨2#精炼炉生产工艺为研究背景，通过引入先进的冶金数学模型以较精确地控制钢水的成分和温度，获得高质量要求的钢水，提高产品控制目标的命中率和钢包炉衬耐火材料的使用寿命，降低操作成本。　　本文在深入分析精炼炉温度影响因素和脱硫原理的基础上，分别建立了温度和脱硫过程的预报模型，并综合考虑其相互影响关系，建立混合预报模型。针对BP神经网络容易陷入局部优化点的问题，提出了一种用Adaboost来加速BP神经网络学习过程的混合算法。构建了一种由Adaboost的泛化能力和BP神经网络的局部搜索能力相结合的Adaboost-BP混合模型。Adaboost与BP神经网络相结合的算法能有效避免陷入局部最优并且具有较快的收敛速度。最后，应用MATLAB工具箱对模型进行仿真，并将Adaboost-BP网络与标准BP网络的预报结果进行仿真比较。