高炉炼铁是一个复杂的非线性的生产过程系统。在这个运行过程中，有大量的输入量和输出量，且随着时间的推移不断发生变化，并有大噪声和高度耦合等过程特点。为了确保高炉的稳定运行，炉温控制是高炉高效生产的关键因素。然而，影响炉温的因素有许多，且各因素间是有联系的，并不是单独起作用的。挖掘出影响高炉炉温的潜在因素，并在此基础上建立高炉模型，提高炉温预测的准确性，是当前炉温预测研究的主要方向。数据驱动建模技术在试图实现对高炉复杂冶炼过程的建模与优化中尚处于发展阶段，从数据驱动的角度建立高炉铁水硅含量的预测模型，可以使硅含量的变化有更好的反馈，提高了模型的输出值与实际值的吻合度。本文以包钢高炉为背景，深入学习高炉冶炼过程特点，研究基于数据驱动的模型辨识算法建立高炉炉温预测模型。具体研究内容如下：1.为了建立更精确的模型，从包钢高炉现场采集的大量数据中，有存在缺失值、异常值和不同采集量级的情况。同时根据专家经验可以知道，影响炉温的大部分因素都有一定的时间滞后性。通过对数据的分析和预处理后，利用相关性分析法计算各参数之间的相关系数，选取对炉温有影响的主要工艺参数，并分析计算其在高炉生产过程中的影响滞后时间。2.将已选取出的五个工艺参数作为输入，硅含量作为输出，建立模糊T-S模型。本文将通过优化的模糊聚类算法（FCM），对全部所用数据进行划分处理，以辨识模型的前件隶属函数的参数；再采用递推最小二乘算法，通过聚类后的数据及其隶属度值，以辨识模型的后件线性方程的参数。这样就建立起高炉的T-S模糊模型，并结合高炉实际情况、采集的数据，建立起该系统的模糊规则。然后通过对相似和冲突模糊规则的删除来调整所提取出的模糊规则。3.通过ANFIS模糊神经网络的方法优化模糊规则，根据训练后的网络重新确定高炉模型的前件和后件参数，通过验证优化后的规则，提高了高炉硅含量预测的命中率。结束以上步骤后，再通过实际采集的数据进行检验所建模型的命中率。结果表明，基于数据驱动的建模辨识算法能够更好的实现建模的预期效果。本课题在对多变量复杂系统建立高效模型的问题上，提出了有效的理论依据，为实际应用打下了基础。