高炉炼铁是钢铁生产中的上游产业，它在钢铁工业降低成本与节能降耗中起着举足轻重的作用。而向高炉风口喷吹煤粉不仅可以降低生铁成本，减少能源消耗和降低二氧化碳排放量，还可以改善炉缸工作状态，使高炉稳定顺行。因此，建立能够指导高炉操作人员对喷煤量控制决策的预测模型，有一定的理论意义和应用价值。本文以内蒙古包钢6#（2500m3）高炉在线采集的生产数据为基础，针对高炉炼铁过程存在忽视燃料比以及由人工进行喷煤量决策等问题，采用数据驱动建模技术，从炉温趋势变化和高炉喷煤量预测两个方面进行深入研究，建立基于炉温趋势的高炉喷煤量控预测模型，从而达到节省能源消耗，降低成本，提高资源的利用率和指导高炉生产的目的。论文的具体研究内容如下：1通过阅读大量的中外文献，对高炉喷吹煤粉和炉温趋势变化作了重点介绍，同时对支持向量机的基本理论知识和发展现状进行了综述。2对高炉现场采集到的大量数据进行预处理，主要包括优良数据的提取，数据标准化，对缺失值和异常值采取平滑处理，并对参数间的相关性做了分析。3建立基于概率神经网络的炉温趋势分类模型与选用一对一方法建立基于支持向量机的炉温趋势分类模型，两种方法相比，支持向量机多分类模型分类效果更好。4采用BP神经网络和支持向量机分别建立高炉喷煤量预测模型，两模型做比较，结果表明支持向量机建立高炉喷煤量预测模型的命中率更高一些。为进一步提高预测精度和模型的实用性，考虑到实际操作中不同炉温趋势下喷煤量控制策略的不同，提出多模型预测建模的思想：采用支持向量机算法分别建立基于炉温向凉、炉温平稳、炉温向热时的喷煤量预测模型，即建立基于炉温趋势的多支持向量机喷煤量预测模型。在预测时，首先使用炉温趋势分类模型将测试样本分到某一个类中，再使用与该类对应的支持向量机喷煤量预测模型进行预测。通过这种多级预测的算法，模型命中率得到进一步提高，解决了单一模型的预测精度低、泛化能力差的问题。论文的最后对本文所做的工作进行分析和总结，并对未来进一步的研究工作进行展望。