焦炭是高炉炼铁的主要燃料，极大的影响着生铁的产量和质量，而其作为不可再生资源，随着开采日益减少，进出口价格也日趋增高，国家“十二五”规划明确指出要建立资源节约型社会，各个大型能耗企业都在努力寻求各种节能减排的措施，而炼焦行业如果能提高生产效率，则对于其他行业也能减少一定的成本压力。　　但炼焦工艺的复杂性，导致了其优化控制变得艰难，首先由于配合煤比例的多变性以及焦炉炉况的不稳定性，很难精确的建立起炼焦的优化模型，其次焦炉的各种参数之间存在着强烈的耦合，而各个参数也存在着多采样率、信息采集不准确等问题，为优化控制增添了诸多困难，而且由于现今焦炉控制系统并不完善，很多地方并没有实现自动化生产，数据采集也是人力实现，设定值一般根据炉长经验给定，对炉况的变化很难做出相应的调整，使得焦炭生产质量不稳定，能耗大，生产成本高。为此，本文有效的利用数据挖掘技术，从大量的现场生产数据中提取出炼焦生产的基本规律，并利用这些数据准确预报出焦炉状态，防止事故发生，还能快速的根据这些规律确定与工况相对应的最优给定值，为炼焦生产提供准确的指导。　　焦炉火道温度是表征炉温的主要参数，对焦炭的产量和质量有着直接的影响，在实际现场中，由于火道温度过高，不可能进行实时监测，若要得到任一时刻火道温度值，必须通过建立与其他可测参数之间的非线性模型对火道温度进行预测；本文首先对炼焦过程进行机理分析，找出与火道温度相关性较大的各个参数，然后根据现场数据和专家经验初步建立火道温度的预测模型，再研究其他理论算法对模型结果的影响，寻找较好的方法作为火道温度预测模型的理论依据。最后结合炼焦生产过程的大量数据、各个参数之间的相关关系和优化控制的现状分析，提出了基于数据挖掘的炼焦操作参数优化方法，针对火道温度设定值进行优化，结合炼焦生产过程中操作参数、状态参数、生产工艺指标等寻找最优火道温度设定值，为焦炉优化控制提供良好的基础。具体的，本文主要的研究成果如下：　　（1）通过对炼焦工艺及实际炼焦生产过程的机理分析，利用海量现场数据建立火道温度预测模型的基本框架，针对BP网络收敛速率较慢、易陷入局部极值等缺点，提出了极限学习机的预测方法，提高了模型预测精度和计算速度。　　（2）提出了基于马氏距离的二次聚类方法，在确定了炼焦过程中的操作参数、状态参数及各项工艺指标的基础上，模式匹配过程中遍历检索大量数据时，先对聚类中心进行匹配，找出最接近聚类中心后，在其子空间内寻找最佳匹配模式，省略了其他不相似模式的匹配时间，明显加快了模式匹配的速率。　　（3）提出了基于粒子群算法优化BP网络的模式演化方法，选取优良操作模式库建立网络预测模型，设定边界条件作为神经网络的适应度值，将匹配失败的操作模式采用遍历检索的方式寻求最优解，并添加到优良操作模式库中，实现库的更新。