钢铁冶炼是一个高耗能、高污染产业,在产业转型中,将“绿色制造”的理念贯彻到烧结、炼焦、炼铁、炼钢等各个主要环节中,利用先进的控制技术提高生产效率,减少污染排放,具有重要理论意义和实际应用价值。本文首先对高炉炼铁的基本流程、复杂性及其异常炉况进行了全面分析,结合机理分析方法和定量分析方法,并为避免粒子群算法快速陷入局部最优的特点对粒子群进行改进,加强其搜索能力,并应用改进后的粒子群算法,建立了以LSSVM为主体的高炉铁水温度预测模型,达到了对髙炉铁水温度的正确预测,提高了预测的精度,同时,凭借髙炉铁水温度这一参变量来侧面体现髙炉炉温变化。其次,针对高炉生产及操作数据的复杂性,利用深度学习优秀的处理数据和提取特征的能力,将深度学习方法引入到高炉冶炼工艺流程中,并使用改进的PSO算法,对深度置信网络的两个关键参数进行跌代寻优,建立了以DBN为主体的髙炉炉况分类预侧模型。最后,通过仿真程序证明了所提出的髙炉铁水温度预测模型、髙炉炉况分类预测模型的可靠性和准确性。对髙炉冶炼生产过程的操作及调节具有重要的借鉴意义。同时,根据髙炉冶炼过程中的操作参数、状态参数及深度置信网络炉况分类诊断模型,设计了髙炉炉况综合监控软件。利用Visual Studio2010搭载软件平台,通过对实际生产参数的监测,可以及时的预测炉况情况,有利于高炉炼铁工序的控制管理及节能减排具有重要的指导意义。