钢铁工业是国民经济的重要支柱产业，也是大量消耗能源的产业。在当今的信息化时代和低碳经济时代，钢铁工业的节能减排倍受社会关注.而高炉炼铁作为钢铁生产体系中的上游重要环节，其工艺流程长，涉及工序众多，影响参数错综复杂，运行机制具有非线性、大时滞、高噪声、分布参数等特性。高炉生产过程的工艺机理，涉及化学反应动力学、三相流体动力学等物理化学过程，其复杂性涉及到了微观、宏观等不同的层次和尺度。这些不同的层次和尺度常常受不同的控制机制作用，需要分别加以处理，才能够深刻揭示冶炼过程的复杂规律。　　 对于高炉复杂性的研究多是停留在定性分析阶段上，并没有相应的定量分析来准确刻画高炉炼铁过程的复杂性。多尺度熵方法是多尺度分析方法和样本熵分析方法的结合，是在医学领域兴起的用于病理复杂性比较从而诊断病情的成功方法。对数据进行多尺度分析能够在不同尺度上研究时间序列的优点，把握住其宏观与微观的趋势，从而更好地把握数据的特性；样本熵是复杂性的一个度量方法，经过对近似熵的改进，样本熵在理论上是无偏的，在实际中又减少了一半的计算量，对短的含噪声的数据非常有效。　　 考虑到高炉炼铁过程的复杂性，不论是从内部化学反应机理，还是从外界环境人为干预来讲，高炉产生的时间序列都存在着不同的时间尺度。基于此考虑，论文采取了多尺度熵分析方法分别对莱钢高炉和包钢高炉的硅序列和硫序列进行了分析。论文先是对四组时间序列进行了多尺度的分解，每一组序列得到了10个子序列，然后针对每一个子序列计算了样本熵，这样对每组序列建立了多尺度熵。得到上述结果之后，便可以展开一系列的工作。首先是高炉炼铁过程复杂性的比较，通过比较原始尺度与子尺度的样本熵，可知多尺度分析可以降低数据分析复杂度；通过比较同一高炉内的硅序列的熵值与硫序列的熵值，可以知道事实上硅序列是要比硫序列更复杂的，这与实际生产中的认识不同，说明多尺度可以为实际生产提供更多的信息甚至新的视角来指导生产；通过比较不同高炉之间的硅序列的样本熵与硫序列的样本熵在，可知小高炉是要比大高炉更复杂的，这样通过定量分析验证了实际中的结论。综上所述，对高炉炼铁过程中的时间序列中采用多尺度熵比较分析的方法总是会给实际分析带来更多的收获，要么是对老问题的新思考，要么是对旧结论的新论据，对于实际的生产具有重要的意义。论文在利用多尺度熵进行复杂性比较外，还对高炉过程中的重要参数硅质量分数序列[Si]作了基于多尺度熵的简单预测。论文采用了自回归AR线性模型和一阶混沌非线性模型在原始尺度与子尺度上分别进行了预测，并利用多尺度熵对不同的模型之间进行了耦合，发现利用多尺度模型更能捕捉序列的信息。尽管预测的命中率并不是很高，却给实际生产提供了一个新的思路与方法。　　 论文最后对全文的研究内容以及创新点做了归纳，并对预期的后续研究做了展望。