钢铁产业对于国家经济发展有着重要的意义。转炉炼钢技术因为相对高效和低成本的优势,是目前世界范围内主要的钢铁冶炼技术之一,其冶炼的关键在于对转炉终点的准确控制。实际上,转炉中钢液的终点碳含量和温度与转炉终点控制有着密切的联系,也是判断钢液是否达到出钢标准的重要指标。因此,实现对转炉炼钢终点碳温精确实时预报可以有效降低转炉炼钢生产成本,提高生产效率,对于保护环境、节能减排也有着积极的意义。本文针对转炉炼钢生产过程数据存在的高冗余、高维度、波动性和非线性等问题进行研究,基于数据驱动的方式,通过对生产过程数据进行特征选择处理得到关键特征,再引入即时学习策略完成对算法学习集的度量与选择,从而建立即时学习软测量模型实现对转炉炼钢终点碳温的预报。本文的主要研究内容包括:（1）转炉炼钢生产过程数据存在高维度、高冗余的特点,直接将这些数据输入到模型中会增大模型训练负担并且削弱模型的预报性能。针对上述问题,本文提出了一种改进的灰狼优化算法（Improved grey wolf optimizer,IGWO）用于对转炉炼钢生产过程数据进行特征选择,从而获得转炉过程数据中的关键特征。首先,通过构建新的编码方案对数据中的各维特征进行编码并预设特征子集的个数,保证算法特征选择结果的稳定性;其次,在新编码方案的基础上,利用反向学习机制在算法初期生成更具多样性和更高质量的灰狼初始种群;最后,利用灰狼种群中前三个最优解的信息和特征之间的内在联系对种群进行概率更新,保证算法搜索能力的最大化,并避免陷入局部最优。实验结果表明,所提出的IGWO算法能够选择表现较好且可重复的特征子集,有效降低数据高冗余高维度对于模型性能的影响,利用所选择的特征建立碳温预报模型可以显著提升模型性能。（2）转炉炼钢生产过程数据具有明显的波动性和非线性,这对于即时学习度量局部算法学习集构成了很大的挑战,不利于模型性能的发挥。针对以上问题,本文提出了基于自组织映射聚类的即时学习软测量建模方法（Self organization map just-in-time learning,SOM-JITL）用于转炉炼钢终点碳温的建模预报。首先,通过引入高斯核函数改变自组织映射聚类算法获胜神经元的判别方式并用于对转炉生产过程数据的聚类,从而降低数据波动对于后续建模的影响;其次,采用即时学习策略从待测样本所属的类簇中度量合适的算法学习集用于训练极限学习机并完成对终点碳温的预报。实验结果表明,该方法能够有效提升即时学习软测量模型度量算法学习集的质量,显著提高模型对终点碳温的预报性能,在±0.02%的预报误差范围,碳含量的预报精度为81.5%,在±10℃的预报误差范围,温度的预报精度为79%。（3）针对传统即时学习软测量建模方法往往忽略过程数据标签信息价值以及从单一类簇中选择样本的局限性问题,本文提出了WGKSOM-DRCA（Weighted gaussian kernel self organization map dynamic relevant component analysis）自适应即时学习软测量方法用于对转炉炼钢终点碳温的预报。首先,采用引入标签信息的加权高斯核函数度量准则构造WGKSOM聚类算法用于引导聚类方向,提高算法的聚类质量并降低类簇数据波动性对于建模的影响;其次,利用高斯后验概率计算待测样本的隶属度并根据类簇隶属度选择样本,避免聚类误差和单一类簇造成样本选择的局限性;最后,通过引入动态因子并构建DRCA度量学习策略自适应选取算法学习集用于局部模型训练,输出终点碳含量和温度的预报结果。实验表明,在转炉炼钢终点碳温预报上该方法相对于其他算法有更好的表现,在±0.02%的预报误差范围,碳含量的预报精度为92%,在±10℃的误差范围,温度的预报精度为93.5%。通过以上研究,验证了特征选择和即时学习软测量建模方法在解决转炉炼钢生产过程数据高冗余、高维度、波动性和非线性等问题上的有效性,并提高了模型对终点碳温的预报性能,也为后续在相关方面进一步探索提供了一定的理论依据。