钢铁工业为国家建设和发展提供了重要的原材料保障,是国民经济的重要基础产业。作为我国主要的炼钢方式,转炉炼钢的生产效率高并且成本相对较低。转炉炼钢是将铁水、废钢、生铁等原材料转换成钢的复杂高温物理化学过程。钢水的终点碳含量和温度是炼钢过程中的重要指标,它们是决定钢材质量是否达标的关键。准确预测钢水的终点碳含量和温度能够降低补吹次数,对于提高生产效率和节能减排具有十分重要的意义。由于现场的环境条件和技术限制,很难对碳含量和温度进行实时准确测量。转炉炼钢过程数据与终点碳含量和温度有紧密的联系,因此本文采用数据驱动的方法对终点碳含量和温度进行预测。转炉炼钢过程数据的维度较高,并且不同炉次样本之间的差异比较大,不同标签样本的数量存在不平衡的情况,这些问题使得精准预测终点碳温十分具有挑战。本文针对转炉炼钢过程数据高维度、时变性、不平衡等问题,基于数据驱动的方法,对模型的输入变量进行特征选择的预处理步骤选出最优的特征子集,并且使用即时学习策略对具有时变特性的炉次样本进行相似性度量,建立局部软测量模型对终点碳温进行预测。主要的研究内容包括:（1）基于改进樽海鞘群算法的转炉炼钢过程数据特征选择。转炉炼钢数据中存在大量的冗余和不相关特征,这会导致终点碳温的预测精度降低和终点碳温软测量模型建模时间长。针对上述问题,本章提出了基于改进樽海鞘群算法的转炉炼钢特征选择方法。首先在特征选择之前预设所选特征个数,降低特征选择的随机性;然后使用原始算法产生候选特征,同时利用概率函数从候选特征子集中选择特征对领导者进行更新;最后利用后者跟随前者的樽海鞘群觅食机制对跟随者进行更新,增加优化算法的探索能力。使用此方法将适应度函数值降到最优值,从转炉炼钢过程数据中选择出最优特征子集,可以剔除掉无关和冗余特征,这对于终点碳温预测是十分有必要的。实验结果表明,该方法具有可重复性,将所选最优特征子集应用终点碳温预测,碳含量容许误差在±0.02%的预测精度为88.00%,温度容许误差在±10℃的预测精度为83.33%。（2）基于vMF混合模型和加权极限学习机的即时学习转炉炼钢终点碳温软测量方法。不同条件下的转炉炼钢生产过程数据之间的差异比较大,影响模型预测精度。此外,用于实验的转炉炼钢过程数据存在不平衡问题。针对第一个问题,提出了一种基于von-Mises Fisher（vMF）混合模型的相似性准则,并将其应用于基于即时学习（JITL）的终点碳温预测模型的样本选择。针对不平衡问题,本章使用V形传递函数建立权值矩阵,以构建局部加权极限学习机。使用基于vMF混合模型的相似性度量准则和加权极限学习机,建立转炉炼钢终点碳温即时学习软测量模型,可以解决概念漂移的问题,实现终点碳温的在线软测量。实验结果表明,本章方法在碳含量容许误差±0.02%的预测精度为93.98%,温度容许误差±10℃的预测精度为92.48%。（3）基于优化移动窗口即时学习的转炉炼钢终点碳温软测量方法。在转炉炼钢生产过程中,随着时间的推移,会出现设备老化、原材料质量变化、生产要求改变的情况,这会导致不同时间段的样本差异比较大,单一预测模型很难适用于所有样本,从而影响模型预测精度。针对上述时变问题,提出了一种基于优化移动窗口相似样本选择的即时学习策略。首先,利用相似性度量准则找到与待测样本相似的历史库样本,以相似样本为基准点,使用移动窗口找到合适的时间邻近样本;然后,通过优化算法去掉窗口内存在的噪声样本;最后,将优化移动窗口内的时间邻近样本作为训练集合,建立局部软测量模型预测终点碳含量和温度。本章所提方法在具有时序性的转炉炼钢过程数据上进行实验,当生产过程数据的时间跨度较大时,时变问题变得十分突出。所提方法可以有效解决时变问题,精准预测终点碳温,这对转炉炼钢终点控制具有一定的实际应用价值。实验结果表明,此方法在碳含量容许误差±0.02%的预测精度为90.50%,温度容许误差±10℃的预测精度为93.17%。