钢铁是现代化最重要的原材料之一，高炉炼铁对我国经济的发展起着十分重要的作用。因此，研究高炉过程检测和控制，提高生铁产量和质量，必将产生巨大的经济效益和社会效益。 在高炉生产中，生铁硅含量的降低和稳定是高炉冶炼条件和技术水平的标准性指标，也是提高产量、降低燃料、降低生铁成本的重要因素。但是含硅量只有在每炉铁出来之后，铁水样本送到实验室，经化验后方可得知，然后才可在后续操作中采取相应的措施。硅含量存在检测滞后的问题，因此要对硅含量进行预测。 文中结合唐钢2号高炉生产的实际情况，分析了影响高炉铁水硅含量的主要因素，采集现场冶炼过程的数据，分别建立了BP神经网络模型和基于T-S模型的模糊神经网络模型。在模糊神经网络模型建立中，采用了模糊聚类技术确定模型结构，再利用神经网络对模型参数进行优化。结果表明，聚类算法解决了神经网络的结构确定问题，并可获得较好的初始值，学习速度快，建模精度高。 最后，利用实际生产数据对两种模型进行训练，并对连续60炉次的铁水硅含量进行了预测。从命中率来看，误差范围在0.1﹪内BP网络模型预测命中率为86.7﹪，模糊神经网络模型命中率为90﹪；从预测趋势来看，BP网络预测曲线的变化趋势已经能粗略反映出实际曲线的变化规律，但是在硅含量出现较大波动时，模糊神经网络的预测曲线体现出了更好的跟随特性。 从预测结果可以看出，模糊神经网络预测模型在命中率和变化趋势上都优于传统的BP网络，能够对高炉铁水硅含量进行较好的预测，其精度满足现场工艺要求。