高炉炼铁是钢铁工业的上游主体工序，是整个钢铁工业中能耗最大的环节，高炉冶炼过程的优化控制将对钢铁工业的节能减排起到重要的作用。本文在大数据时代的背景下，以高炉现场采集的数据为基础，结合高炉生产工艺的特点，从运筹学和控制论的角度交叉探索了高炉冶炼过程的炉温建模、预测和控制规律，为高炉冶炼过程的闭环自动控制提供了新的思路和途径，具有一定的理论价值和应用前景。　　迭代学习控制适用于控制重复运行的难以精确机理楚模的系统。本文第二章将迭代学习控制应用在两个复杂工业过程的控制系统——机器人系统和伺服系统中，验证了迭代学习控制在完成复杂工业系统跟踪控制任务方面的有效性。高炉也是复杂工业过程中具有代表性的系统，共难以精确机理建模的特点和系统的跟踪控制要求决定了送代学习控制在高炉冶炼过程的炉温控制中有应用潜力。　　为设计针对高炉炉温的控制算法，本文第三章应用子空间辨识得到了高炉的线性状态空间模型，并应用灰模型辨识得到了高炉的非线性状态空间模型。通过比较5种不同阶数模型的预测精度，得到了最优的线性状态空间模型阶数为3阶。为了后续设计控制算法的实际可操作性，将模型的输入限制为高炉生产操作的实际控制输入，并通过比较不同时滞模型的预测精度，选取了最优的输入时滞组合，最终得到了只包含控制变量且包含时滞的线性状态空间模型。　　第三章进一步参数化包含混沌环节的非线性状态空间模型，采用两种经典优化算法（LM算法和共轭梯度法）以及两种智能优化算法（遗传算法和粒子群优化算法）估计模型参数，预测结果表明智能优化算法对解决高炉炉温建模这种复杂的非线性优化问题更有效。后续设计的控制算法也以本章得到的两个模型作为被控系统。　　高炉的冶炼工艺特点决定了其数据中包含大量的观测噪声和过程噪声，此外不精确的建模也会引入误差。第四章针对高炉的这种大噪声特点，设计了基于噪声分离的迭代学习控制算法，相比标准P型算法，该算法对系统中的非重复噪声有更好的鲁棒性，但对系统中重复噪声的抵抗效果不佳。进一步提出改进算法，将标准P型算法和噪声分离算法结合，相比这两种算法，改进的算法在系统噪声种类未知时总能获得更为稳健的跟踪效果。在系统既包含重复噪声又包含非重复噪声时，改进的算法可以获得最优的跟踪效果。在系统存在噪声的情况下，高炉炉温的跟踪控制实验结果证明了该算法适用于控制高炉冶炼过程。　　高炉的炉温控制具有“点到点”跟踪的特点，即虽然工长每隔20分钟调整一次控制输入，但工长更注重出铁时的炉温是否符合要求，而高炉的出铁时间间隔是2小时，这种生产工艺就导致了需要跟踪的目标值和控制输入的采样间隔不同。因此第五章设计了闭环点到点的迭代学习控制，并结合了轨迹更新算法从而利用了点到点控制的灵活性。轨迹更新算法通过插值法调整目标轨迹使目标轨迹主动靠近系统输出，因此基于轨迹更新的闭环迭代学习控制算法既可以获得比固定轨迹算法更快的收敛速度，也可以获得比开环算法更好的鲁棒性和更广泛的收敛域。针对现有炉级数据的特点，应用冶金传输理论中的相似性原理，将实际中20分钟一次的输入调整近似为2小时一次的输入调整，也将实际中每炉都需要跟踪一次的炉温近似为每6炉跟踪一次，以此为基础设计的实验证明了算法可以跟踪控制具有“点到点”跟踪特点的高炉炉温。　　本文最后一章总结了全文的研究结果并展望了后续的重要研究工作内容。