本文在高炉炼铁的工业背景下，从高炉炉温预测的生产实际难题出发，对在线采集的包钢6号和莱钢1号高炉数据，应用多种单项模型来进行炉温预测，并尝试组合这些单项模型以获取更好的预测效果。　　为适应不同的生产需求，本文首先将预测分为数值预测和分类预测两种，并给出相应的评价标准;然后基于历史数据，用回归分析、时间序列分析和人工神经网络3种模型来进行数值预测，用逻辑回归、决策树和支持向量机3种模型来进行分类预测，根据实验结果寻找原始数据中隐含的特征，同时比较模型之间的异同，进而对这些模型进行评价;最后在单项预测模型的基础上重点研究了组合预测，同样是按照对数值预测的组合和对分类预测的组合这个框架展开讨论。在组合数值预测模型的时候，首先总结了常用的基于线性加权的组合方式，然后根据高炉冶炼的工业生产特点提出了基于多模型切换的数值组合方式，最后对上述数值型组合方法进行仿真实验。实验结果表明组合预测不一定优于单项预测，但在均方根误差的评价标准下大体上可以改善预测效果。在组合分类预测模型的时候，首先介绍了常见的投票型组合，然后提出了基于最小加权距离的分类组合方式，最后对其进行仿真实验，比较不同分类模型的分类效果并给予评价。　　本文的创新点在于将组合预测的思想应用于高炉炉温建模，选择了具有代表性的数值型和分类型单项预测模型各3种，并用多种方式对其进行组合。其中基于多模型切换的数值型组合和基于最小加权距离的分类型组合是原创性工作，不仅在高炉上得到了有效的应用，而且丰富了组合预测的理论。