高炉炼铁是生铁冶炼的主要方法，但是冶炼过程复杂，导致其优化控制面临许多困难：首先由于炼铁过程涉及诸多物质与能量间的变换传送过程，并且矿源复杂，工况多变，难以建立精确数学模型。其次高炉过程参数和生产目标的非线性关系难以描述和估计，且参数之间的强耦合特性，导致优化控制极其困难。为此，本文利用数据挖掘技术，从生产过程积累的海量数据中挖掘出冶炼过程的规律，快速有效地确定与当前工况条件相适应的最优操作参数(喷煤量、风量、富氧率)。对于高炉生产中的节能减排、增产降耗从而提高其经济指标、增强企业竞争力等具有重要意义。本文在深入了解高炉冶炼机理的基础之上，研究了高炉冶炼操作参数优化方法。结合高炉冶炼过程操作参数的特征、冶炼过程的复杂性及其优化控制的研究现状，提出了基于数据驱动的高炉冶炼操作参数优化方法，该方法包含了：1）高炉铁水硅含量；2）入炉焦比以及煤比等经济技术指标的预报；3）操作参数寻优算法等,实现高炉冶炼操作参数的优化。本文取得的主要研究成果如下：（1）提出了基于数据驱动的高炉冶炼操作参数优化框架。本框架包括模式匹配准备过程、操作模式多级匹配过程以及操作模式演化过程。该框架首先根据综合工况评价指标，利用海量数据建立了优良操作模式库，而后根据高炉当前状态，采用相应方法，达到了获取最优操作参数的目的。（2）提出了基于欧氏距离的操作模式多级匹配方法。在确定了高炉冶炼的状态参数、操作参数以及各项工艺指标基础之上，针对采用遍历匹配方式时因优良模式库太过庞大而引起的速度缓慢问题而提出了该方法。该方法根据计算模式间欧氏距离并转换成相似度值大小来度量操作模式的相似性，采用模糊C均值聚类方法对优良模式库聚类分析，实现了模式的多级匹配，显著提升了模式匹配过程的效率。（3）提出了基于粒子群优化算法的操作模式演化方法。针对采用操作模式多级匹配方法由于工况复杂而寻找不到最优操作模式的情况，本文利用相似操作模式集，采用粒子群优化算法，同时根据基于小波神经网络的指标预测模型计算粒子适应度值，通过循环迭代更新，设定停止搜索条件，直至满足指标要求输出最优操作参数，同时将最优模式更新到优良操作模式库，实现库的更新。利用上述高炉操作参数优化方法，结合某钢铁厂高炉冶炼实际运行过程，采用大量数据验证，结果表明该方法具有较好的效果，能够给现场人员提供决策指导，对高炉生产过程的整体优化具有积极作用。