在现代钢铁冶金发展过程中,炉外精炼是确保钢铁质量和实用性的重要途径,在我国钢铁企业中已经得到了广泛的使用。LF炉精炼过程可以提高钢的质量、扩大钢的品种。近年来,随着科学技术的不断发展,各产业对钢材质量的要求越来越严格。高质量的钢材需要具有强度高、低温韧性好、冷成型性能以及焊接性能良好等特点。硫是影响钢材性能的主要有害元素之一,含硫量较多的钢脆性较大。由于它对金属材料的危害,使脱硫成为钢铁冶金的重要部分。以往的脱硫过程过于依赖机理模型,由于脱硫过程复杂,影响因素众多且很多参数难以获得,导致终点硫含量很难准确的控制。本文以某钢厂LF精炼炉为研究对象,针对钢水终点硫容量以及硫含量的预报,提出了智能方法、混合建模方法,并将即时学习的方法融入到硫含量预报模型的建模过程中,同时,又对精炼周期进行预报,并加入到炼钢-精炼-连铸过程调度模型中,取得了较好的效果。本文的主要工作如下:首先,结合LF精炼炉脱硫过程及其机理模型,使用改进的LS-SVM方法对脱硫过程中的重要参数-硫容量进行预报。硫容量是衡量合成渣脱硫能力的关键参数,是如何选择渣系的重要依据。目前,国内外预测硫容量的模型主要以机理模型为主,但是由于机理模型中许多参数无法测量得到,经常使得预测无法进行,或者预测值与实际值有较大误差。应用改进的LS-SVM方法对精炼过程的渣系终点硫容量进行预测,这种方法克服了冶炼现场数据量小,参数难以准确测量等问题。单一使用机理模型,存在着部分参数无法测得、模型难以被生产现场采用的不足;而单一使用智能模型,则会有过分依赖数据、缺乏工艺指导、预报精度很难提高的不足。针对上述不足,将机理建模思想与智能建模思想相结合,提出适用于静态终点硫含量预报的基于改进型AdaBoost.RT的混合预报方法。通过AdaBoost.RT方法对弱学习机（LS-SVM）进行集成,将弱学习机集成为强学习机,对硫含量预报模型中的参数进行预报,再代入到机理模型中进行计算,得到终点硫含量的预报值。这种混合模型,可以克服纯机理模型参数难以测得,以及纯“黑箱”模型缺乏工艺指导,过分依赖数据的问题,实现优势互补。在生产过程中,经常会遇到一些干扰因素,比如:原材料变化、工艺变化以及环境因素变化等等。由于利用历史时刻的采样数据作为软测模型的样本数据,只能精确描述当时的工况,而对于当下的工况描述却不一定准确。这些变化都会导致之前建立的预报模型精度下降,预测误差增大。针对这些动态特性,本文提出了一种适用于动态硫含量预报的基于即时学习在线更新的终点硫含量混合预报方法,通过即时学习方法对终点硫含量模型进行在线更新,使其能够适应各种因素变化的干扰,保持模型的稳定性。这种方法可以有效地利用历史训练结果,不保存历史数据,节省存储空间,减少后继训练时间,提高训练速度。炼钢-精炼-连铸生产过程调度方案可以有效地在满足产品生产要求的前提下均衡各个生产设备的生产节奏,降低生产过程中不必要的能耗,提高生产效率,从而达到降低生产成本,提高钢铁产品的竞争力的目的。LF精炼过程对于实现炼钢过程高精度和低成本化具有重要意义,实际生产中,根据钢种的不同,需要达到的硫含量以及温度是不同的,这就需要考虑精炼周期变化以及成分和温度的约束条件。本章通过智能算法,将目标硫含量以及目标钢水温度作为输入,对精炼周期的变化进行预报,与调度模型相结合,从而实现对整个炼钢-精炼-连铸过程调度模型的优化。通过仿真实验证明,该方法可以很好的解决精炼周期变化使得调度模型参数更新不及时的问题,满足实际生产的需要。