钢铁工业是国家的支柱产业。在钢铁工业中,高炉炼铁是钢铁生产体系中能耗最大的环节,它的每项技术进步都将为国家带来巨大的经济效益和社会效益。本文以“高炉炼铁专家系统”生产现场在线采集的数据为基础,针对高炉实际情况及炼铁生产中人们长期关注的实际问题,对高炉冶炼过程的复杂性和炉温预测等问题进行研究,从而为高炉冶炼过程实现闭环控制提供重要的研究思路和技术基础,具有一定的理论意义和应用价值。高炉冶炼过程实现闭环控制的核心难题是对高炉炉温的准确预测,从而实现有效的控制。其复杂性既表现为冶炼机理的复杂性,也体现在冶炼过程动力学的复杂性。一个准确、实用的预测模型对实际生产有重要指导价值。论文第二章首先从工艺复杂性、化学反应和流体运动复杂性、目标和操作复杂性三个方面讨论了高炉冶炼过程复杂性机理；接着在已有的非线性、非平稳性等定性研究的基础上,本文提出运用Shannon熵、近似熵、Lempel-Ziv复杂度和分形维数等复杂性测度方法,以包钢6#高炉、莱钢1#高炉、临钢6#高炉、邯钢7#高炉在线采集数据为研究对象,进行复杂性测度分析,揭示高炉冶炼过程的复杂性特征,为建立炉温预测模型奠定了重要的基础。论文第三章针对高炉铁水硅序列的非线性特性,提出基于相空间重构的支持向量机混沌预测模型,并和基于相空间重构的径向基网络预测、加权一阶局部预测、Volterra自适应滤波器预测等模型比较,预测精度得到显著提升。对不同高炉以及同一座高炉不同生产阶段进行的仿真结果表明：模型预测的精度和高炉本身的复杂性具有一定的关联性,在高复杂性的高炉上,模型难以获得高精度的预测结果。论文第四章综合考虑高炉冶炼过程中其他变量的影响,以包钢6#高炉在线采集数据为研究对象,运用模型输入变量升阶法,获取可能影响高炉当前炉温的所有变量,并得出当前炉温主要受到前2炉冶炼状态影响的重要结论。考虑到过多输入变量包含大量的冗余信息和噪声,模型精度受到了影响,也难以在实际中获得应用,本文接着提出利用特征提取和特征选择的方法获取最优输入特征集,降低输入特征维数。在特征提取方面,对比研究了基于核技术的特征提取方法和基于流形学习的特征提取方法,仿真结果表明基于KPCA的特征提取在高炉建模中更有实用价值,既有效降低了输入维数,同时也取得了较好的预测精度。在特征选择方面,应用支持向量机回归特征消去模型(SVM-RFE)对48个初始特征进行最优特征集的获取和嵌套特征集的生成。基于最优特征集的支持向量机趋势预测的命中率达85%。接着提出利用互信息法进行特征排序和选择,并将得到的最优特征集应用于数值预测,模型同样取得了较好的预测效果。为进一步提高预测精度和模型的实用性,论文第五章基于高炉生产阶段的多工况特性,提出多模型预测建模的思想,建立基于模糊C均值聚类的多支持向量机模型,模型预测精度得到进一步改善。针对常规聚类方法中聚类参数的不确定性,提出一种改进的仿射传播聚类方法。仿射传播聚类不需要事先确定聚类的数目,本文利用互信息加权法改进了原方法中的欧氏距离测度。基于改进的仿射传播聚类,建立多支持向量机模型对包钢6#高炉铁水硅质量分数进行预测,在非平稳炉况的时间段,数值预测的命中率达到83%,而在炉况相对平稳的时间段,数值预测的命中率达到89%。考虑到支持向量机是基于数据驱动的“黑箱”建模,模型的结果与高炉工长的生产操作之间缺乏实际应用的可理解性,论文第六章进一步研究了支持向量机预测模型的规则提取问题。结合决策树算法的推理规则可理解性和支持向量机优越的非线性学习和泛化能力,构建了基于支持向量机和决策树学习的高炉炉温预测的人工智能模型。仿真结果表明,模型得到较好的预测精度,同时将支持向量机的“黑箱”转变成了可理解的"IF-THEN"规则,高炉操作者结合现场操作经验对规则加以适当修整,就可以应用到高炉实际生产中,从而实现基于数学模型的炉温控制。论文第七章对全文研究内容以及创新点做了归纳,即以复杂性研究为理论基础,展开实用的炉温预测数学模型研究,包括趋势预测、数值预测和规则提取3类数学模型的研究。论文最后展望了后续研究工作。