高炉炼铁过程是一个高度复杂的非线性过程系统，在其运行过程中，炉况随时间的推移不断发生变化。炉温控制是使高炉能够稳定运行并达到高效生产的关键。高炉生产过程数据量大，存在噪声大，高度耦合，数据间存在矛盾等过程特点，导致采用单一模型难以建立准确的高炉炉温预测模型。课题在包钢高炉冶炼过程特点的背景下，基于数据驱动建模技术，结合模糊理论，利用分布式建模的思想建立模糊分布式神经网络高炉炉温预测模型，该模型针对高炉不同的状态分别建立子模型，最后对子模型进行组合连接，提高了模型的预测精度。具体研究内容如下：1.高炉现场采集的数据存在缺失值和异常值，由于高炉是大滞后系统，影响炉温的工艺参数大多存在时间滞后性。为了建立更精确的模型，对现场数据进行预处理，对缺失值和异常值采取平滑处理，采用相关性分析计算各工艺参数的相关系数，选取对炉温有较大影响的参数为模型的输入变量，并探讨分析其在高炉生产过程中对输出变量影响的滞后时间。2.由于铁水硅含量和铁水温度都能反映高炉炉温的变化，因此，将铁水硅含量和铁水温度分别作为输出变量，已选中的工艺参数作为输入变量，建立模糊分布式神经网络模型。采用改进的模糊聚类算法，对输入输出样本数据进行模糊划分，再对划分出的子空间进行神经网络训练建立神经网络子网模型，再根据样本集对各个子空间的隶属度进行子网模型的组合连接，建立模糊分布式神经网络高炉预测模型，结合高炉实际情况，对比铁水硅含量和铁水温度的预测效果，选择预测效果更好的铁水温度为输出变量。3.模糊分布式神经网络模型的聚类算法和神经网络建模方法可以存在多种不同的方法，因此，聚类算法采用模糊C均值算法和自组织神经网络聚类算法，子模型建模采用BP神经网络和RBF神经网络，两方面两两组合，建立四种不同的模糊分布式神经网络模型，对比各个模型的预测效果，基于FCM的分布式BP神经网络模型预测效果更好。4.为了得到更好的预测效果，采用粒子群算法对基于FCM的分布式BP神经网络模型进行优化，重新确定神经网络子网模型的权值和阈值，通过准确性验证，模型的预测效果得到提高。通过现场采集的数据对所建立的预测模型进行检验。结果表明，模糊分布式神经网络模型能够更好的实现建模的预期效果。