随着智能制造和工业互联网的快速发展炼铁工业生产水平进一步提高,行业的数字化智能化转型成为了可能。工业互联网平台以及其上承载的工业数据分析、建模和智能优化算法等作为智能制造和工业互联网的核心受到了越来越多的关注。为实现高炉炼铁过程的智能化赋能,达到生产过程节能减排与提质增效的目的,本文从工业数据分析的角度,对高炉炼铁过程的数据建模及智能优化进行了研究。通过建模实现了炼铁过程关键生产指标的提前预测,为生产过程及时调整优化指明了方向。进一步在建立好的模型的基础上对炼铁过程约束优化问题进行了研究。为实现算法的技术转化、共享、复用,推动炼铁行业数字化转型,搭建了工业互联网云平台,对算法进行了封装及平台部署。全文的主要研究内容具体包含以下几个部分:（1）针对现有的高炉预测建模研究多聚焦于解决过程的动态性和非线性问题,而未能充分的考虑过程变量同质量变量相关性的不同对建模带来的影响,以及由于高炉生产过程大时间滞后带来的输入输出变量时间不对标的问题,提出了一种基于特征-时间注意力的环境感知增强的门控循环神经网络用于高炉关键指标的预测。模型能够有效地表达系统的非线性和动态性,同时能够解决由于生产过程大滞后引起的输入-输出变量时间不匹配问题。所提出的方法可以通过数据学习的方式为不同的输入变量自动分配注意力权重,使关键变量信息得到充分的挖掘利用。此外,区别于传统的点对点的注意力计算方法,论文提出了基于因果卷积的时间自注意力计算方法,将局部特征信息提取至注意力计算过程,实现了更为合理的时间维度注意力分配。实验结果证明方法有效的提高了指标预测精度。（2）针对高炉炼铁过程优化约束无解析,优化解可行性程度难量化的问题,提出了一个基于生成对抗网络分布映射的非解析约束优化算法。该算法通过建立从多维独立空间到非解析约束的多维耦合物理空间的映射,将约束优化问题转化为无约束优化问题。针对生成数据边界溢出问题,提出了一种两阶段生成模型有效保证了生成数据与实际数据分布的一致性,建立目标映射。通过空间映射的方式消除了物理空间中的不可行解,缩小了搜索空间,提高优化能力。提出了一种已知解空间分布密度条件下的高性能寻优方法,密度修正灰狼算法。该算法的搜索步长可以随搜索空间解密度变化自适应调整,从而实现搜索速度和精度的平衡。方法利用数值及实际数据进行了验证,结果证明了所提算法的有效性。（3）针对数据驱动的启发式优化方法在预测建模过程中存在部分辅助变量不可控导致优化结果存在不可用或不确定性强的问题,提出了一种基于可控性保障建模的一致性优化框架。该优化方法能够在保证不可控变量不作为模型预测阶段输入的前提下,以过程监督的形式实现不可控变量信息的提取,达到质量指标分布预测精度提高的目的。提出了一种半监督自动编码器回归方法,该方法将自动编码器和回归模型结合为端到端的一体化模型,以回归过程指导编码阶段的特征构建,进一步提高模型预测精度。结合多目标灰狼算法提出了一种一致性优化框架,利用该方法能够得到可靠的优化解及解的置信度估计,实现了高炉炼铁过程的可靠优化。（4）针对高炉炼铁过程中存在生产要素分散、信息孤岛、创新应用开发能力弱、知识方法难沉淀难复用等问题,构建了工业互联网平台,便于数据信息融合、微服务封装调用共享及创新应用的开发。利用虚拟化技术对硬件资源进行划分,在虚拟机内部部署容器运行环境,通过Kubernetes构建计算集群,实现容器编排管理,进一步利用Rancher实现多集群的管理,完成了平台搭建。提出了基于工业互联网数字孪生技术的工艺参数优化方法。利用平台封装的微服务组件完成了优化应用的开发部署,实现了高炉炼铁过程的优化算法的应用。