在钢铁冶金行业中,高炉炼铁消耗大量的能源,冶炼过程中的智能控制仍然有很大的提升空间。在冶炼过程中,铁水温度可以使用红外测温仪直接测量,而铁水中的硅元素含量需要离线化验才能获得,化验结果很久才能反馈。铁水硅含量可以决定产品的品质和用途,提前获取对高炉操作人员控制产品质量具有重要的参考意义。高炉内部的物理化学反应盘根错节,对冶炼参数直接计算十分困难,且效果有限。针对以上问题,本文采用数据挖掘、机器学习和智能优化等算法,利用钢铁厂统计的历史生产数据建模。改进随机森林模型和粒子群优化算法,使用粒子群优化随机森林的超参数,实现铁水硅含量的预测。本文的主要工作如下:（1）了解高炉冶炼深层次的工艺机理,分析铁水硅含量波动的原因和造成波动的参数。因为机器学习模型预测铁水硅含量是对生产数据的统计分析与推断,所以还需要计算各参数与硅含量的相关系数。结合现场数据,根据冶炼机理和相关系数,选出影响硅含量的参数。这样选出的参数既在冶炼机理中影响硅含量,又在统计数据中与硅含量息息相关。从生产数据中选择这些参数和硅含量的数据组成数据集,用于训练随机森林模型。（2）针对粒子群优化（PSO）算法存在优化精度低的问题,本文提出一种伸缩系数粒子群优化（SCPSO）算法。从3个方面改进了PSO算法,主要是采用精英引导,伸缩系数以及新的平衡机制等措施。在测试函数上进行实验验证,并且从算法的最优值、平均值和最差值3个方面与PSO进行对比。实验结果表明,SCPSO找到的最优值、平均值和最差值都有明显的优势,在多个测试函数上,SCPSO的解都优于PSO的解,SCPSO不仅搜索精度更高,其搜索速度也更快。随机森林是一种集成学习算法,预测准确率比一般的单个模型要高。为了进一步提高随机森林（RF）的预测命中率,给RF中的决策树添加一个权重向量,提出一种加权随机森林（WRF）,并使用SCPSO优化WRF的权重向量,基于SCPSO-WRF进行系统建模。（3）以某钢铁厂的历史生产数据作为数据集,基于SCPSO-WRF建立预测模型,在测试集上进行实验验证,并且与RF模型进行对比,实验结果表明,经过SCPSO优化后的RF模型预测命中率有所提升。与其他模型相比,SCPSO优化后的WRF模型在预测命中率和平均绝对误差这两个方面均取得了最好的表现。