高炉炼铁是钢铁生产过程中重要的组成部分。高炉长期稳定顺行不但有利于高炉高产优质低耗,还可以延长高炉寿命。实现高炉生产过程的稳定与优化,降低高炉炼铁过程能源消耗,需要对高炉当前炉况准确及时地评价判断,进而针对异常采取各种适宜的调节措施。目前对炉况的判断方法,主要有人工经验、传统专家系统、神经网络、贝叶斯网络等。根据现场经验对炉况判断主观性大、经验迁移困难。传统专家系统基于专家经验进行逻辑判断,知识和规则数量多、获取困难,知识和规则很难直接应用于其他高炉。神经网络、贝叶斯网络等有监督数据挖掘模型,该类模型对专家判断结果进行规则挖掘,虽降低了知识数量、获取难度,但仍未解决迁移困难的问题。针对这些问题,本文尝试利用数据挖掘技术提出基于聚类距离—回归的无监督炉况评价方法,进行高炉炉况稳定性的判断、评估。主要研究内容包括:（1）对国内某大型高炉连续7年的天均生产数据进行分析,发现获取的历史数据存在缺失值、异常点、参数冗余、参数不一致等问题。利用python语言编写相关程序完成缺失值删除、异常点盒型图识别、Z-Score标准化、数据特征转换等数据预处理过程,经处理后的历史数据满足数据挖掘的基本要求。（2）提出一种基于聚类分析—距离—回归的用于高炉炉况评价的无监督学习的方法。使用K-means算法对参数进行聚类分析,通过均值法和Z-Score标准化的方法获取表征高炉稳定时的基准向量,使用欧氏距离计算各天参数与基准向量的偏离距离,利用多元线性回归的方法对偏离距离拟合获得高炉炉况指数。该方法可以在不需要炉况记录的情况下进行训练学习,避免了传统模型标签不可信和模型移植性差的问题。（3）基于高炉冶炼理论知识和专家经验,将选取的78个状态参数划分为下料、炉顶煤气、炉身热、风量风压、炉缸五个属性集,建立了两步聚类—距离回归模型（即对子属性集进行评价获得子指数后再进行评价）。与一步聚类一距离—回归模型的对比试验表明,两步聚类—距离—回归模型大幅提高了评价炉况的准确率。对非正常炉况判断的准确率提高了 29.63%。（4）分析两步聚类—距离—回归模型仿真结果,对参数权重进一步优化。最终高炉炉况指数对炉况的判断准确率达80.79%,对正常炉况判断的准确率可达86.48%,对非正常炉况判断的准确率达73.06%。