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。而其冶炼工艺具有流程长，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、参数分布众多等特性。为了有效地控制高炉冶炼生产过程，对炉温[Si]预测方法的研究一直是炼铁生产中的重要课题。　　 实际采集的炉温样本数据也因此具有较强的波动性、非线性性、非平稳性，在炉温[Si]序列数据建模过程中，影响了模型的准确性。本文以《包钢6＃高炉冶炼专家系统》在线采集的冶炼过程数据为基础，选取炉温Si、S、Mn、P序列，对炉温[Si]序列选取样本长度进行建模研究。这一研究为高炉炉温[Si]序列系统建模，预测控制等研究提供了一种新的思路和途径，具有一定的创新价值和应用价值。　　 本文研究的核心问题是高炉炉温[Si]序列数据建模过程中最优样本长度选取。论文选取了在线采集的炉温[Si]，[S]，[Mn]，[P]序列为样本空间，容量为1000炉，采样间隔为2h左右。本文首先针对[Si]序列与[S]，[Mn]，[P]序列做了相关性分析，结果表明由于[S]与[Si]序列具有负相关性，[Mn]，[P]与[Si]序列具有正相关性，在数据样本的选取上较为合理.接下来以Fisher判别准则为基础，得出平稳序列和非平稳序列的分类判别误差函数，对炉温[Si]序列进行建模分析．结果表明炉温[Si]序列在非平稳情况下研究分类才得到较好的结果.然后，由于炉温[Si]序列的强波动性和非线性性，对数据的处理首先经过多层MLP网络进行降维，接着建立单层感知器模型(SLP)对[Si]进行分类预测，得出分类误差与样本长度的趋势图，经分析得出样本长度选取为100炉时分类误差最小．由于[Si]序列样本的非平稳性，不同的样本时段具有不同的数据特征，在用单SLP建模时，单一的权值难以得到很好的分类效果，因此本文提出Multi-Agent建模方法，产生多个具有相同网络结构，不同权重的Agent同时进行样本分类工作.Agent初始权重的产生，综合考虑了样本信息、随机扰动等影响，使得Agent具有丰富的多样性，在对[Si]样本分类时得到了更好的分类效果.以上的结果为高炉炉温[Si]数据建模提供了较好的指导作用，最优样本长度的选取可以提高模型参数估计的准确性，优化模型参数;在实际应用中，对高炉炉温[Si]序列建模分析、预测控制模型有着重要的应用价值。并为进一步应用Multi-agent系统建模研究炉温序列分析开辟了新的途径。　　 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。