作为冶炼铁水的主要手段，高炉炼铁是钢铁制造流程中能耗水平最高、污染排放量最大的环节，在保证铁水产量和质量、减少资源消耗、保护环境等方面拥有着极大潜能。面对高度复杂的高炉炼铁系统，如何在提高冶炼过程的产量、效率的同时降低能耗、排放量与污染影响是高炉运行优化控制研究亟待解决的问题。　　炉温预测一直是高炉运行优化控制研究中的热门课题。充沛、稳定的炉温是高炉能够平稳、顺行的首要条件，炉温不稳定，时而过高，时而过低，都将引起炼铁高炉的非正常波动，甚至导致停炉，造成重大经济损失。当炉温出现显著的改变才做出相应的调整，波动已无法挽回，因此必须提前判断出高炉的炉温。高炉炉温常用炉温参数，即铁水硅含量和铁水温度表示。经过专家学者在炉温预测方面多年的研究，铁水硅含量预测模型、铁水温度预测模型都已经发展得较为成熟，可以准确的预测铁水硅含量和铁水温度。然而，仅仅利用一个参数不能全面可靠的表征炉温，综合考虑两个参数对炉温做综合判断是下一步的发展趋势。　　高炉是一个密闭容器，唯有风口是能够观察到高炉内部运行状况的部位。过去高炉操作者利用传统的方法观测风口，由于炉前环境恶劣、灰尘多、温度高，获得的风口回旋区信息只是口头上的、主观的、片面的，对炉温的预测几乎没有作用。随着新的检测技术的应用，风口摄像仪代替了人眼去观察风口，可以同时对所有风口进行摄像，而且，风口图像可以上传到计算机并由相应的风口图像处理系统进行图像处理，积累的大量的风口图像信息。风口图像的获取推动炉温预测研究中有了新的发展，使得利用风口图像预测炉温成为现实。　　本文首先介绍高炉炼铁的背景与工艺过程，然后采用数据挖掘与信息融合的理论方法，建立多种炉温预测模型，主要工作如下：　　（1）对冶炼进程中累积的海量数据进行数据预处理，包括：异常数据剔除、缺失数据修补和归一化处理，获得平滑的高炉数据；　　（2）建立拥有最佳时间序列的炉温模型，同时预测铁水硅含量与铁水温度，更加全面的表征炉温。仿真表明，最佳炉温时间序列使模型的命中率得到提高。　　（3）构建基于高炉数据与风口图像信息融合的预测模型，包括：基于自组织的分布式神经网络模型、小波神经网络模型、T-S模糊神经网络模型与基于时间序列的神经网络模型，实验表明，风口图像能够明显提升炉温预测模型的命中率。　　（4）综合炉温历史数据与前几章建立的炉温预测模型，总结专家经验，建立高炉炉缸热状态模糊评价系统，及时的给出可靠性较高的当前炉的炉缸热状态。　　通过完成上述几项研究工作，本文实现了对炉温准确且全面的预测以及对炉缸热状态的模糊评价。希望能够给予高炉操作者更加可信的炉温信息，指导决策，为高炉冶炼的优化运行、节能减排做出一些贡献。