循环神经网络（Recurrent Neural Networks,RNN）相比于传统的神经网络预测模型,预测速度快、准确度高,但其得到的初始权值和阈值还没有达到最优。因此,文章对RNN进行改进,重点研究了一种改进的RNN算法。并且在烧结生产中进行检验,在深入分析烧结矿制备过程关键影响因素的基础上,实现了烧结矿质量的智能预测,验证了改进RNN质量预测模型的准确性和可行性。相关工作如下:1)针对RNN算法,文章采用遗传算法（Genetic Algorithm）进行改进,遗传算法可以在全局范围内选择最优解,可以覆盖较大的面积,可以对多个个体进行处理。因此,用遗传算法优化RNN,用个体代表初始权值和阈值,选取适应度函数,通过选择、交叉、变异等操作寻找最优个体,可以得到更好的初始权值和阈值,从而提高了训练速度和预测精度。基于此,文章建立了用遗传算法改进的RNN（GA-RNN）质量预测模型。再把GA-RNN与RNN模型分别在烧结矿的转鼓指数、低温还原粉化指数RDI_+3.15、还原度指数RI、荷重软化温度T_10%、T_40%五个方面损失函数迭代图比较,证明GA-RNN比RNN模型收敛速度快,预测精度高。2)针对烧结矿检测结果滞后的问题,文章采用GA-RNN质量预测模型进行预测,通过相关性分析,确定烧结原料化学成分为输入参数,烧结矿物理性能与冶金性能为输出参数,从而成功建立基于GA-RNN的烧结矿质量预测模型。基于150组原始数据,选取105组数据作为训练样本集,45组数据作为检验样本集,得到结果与期望值进行比较,转鼓指数的平均预测误差为1.24%,低温还原粉化指数RDI的平均预测误差为0.92%,还原度指数RI的平均预测误差为0.95%,荷重软化温度T_10%的平均预测误差为0.40%,荷重软化温度T_40%的平均预测误差为0.43%,且均在运行时间阈值之内。可以证明GA-RNN模型预测精度高、收敛速度快,有很好的适用性。图38幅;表12个;参60篇。