本文采用激光诱导击穿光谱技术(LIBS)，对熔融态炉渣成分进行分析，以探索LIBS技术用于炉渣实时在线分析的可行性与可靠性。论文以炉渣光谱数据预处理和定量分析为主要研究内容，对LIBS技术的实时在线检测开展了以下工作：　　 阐述了激光诱导击穿光谱技术的基本原理，激光诱导等离子体的基本性质和瞬态特征，以及激光诱导击穿光谱用于定量分析的基本原理。　　 简要介绍了目前常用的几种LIBS定标分析方法，分析了它们各自的适用范围及在LIBS技术在熔融液态炉渣成分定量分析中应用的可行性。通过对比发现：神经网络预测方法(ANN)因其可利用大量标准样本对网络进行训练构建合理可靠的网络模型，并具有自组织、自学习、自适应能力，能够应用于未知分析对象炉渣的定量分析测量。　　 研究开发了基于Oracle数据库的炉渣光谱数据信息系统，并编写了基于句法模式识别的谱线寻峰程序，来实现LIBS光谱数据的预处理。有效地实现了特征分析谱线的标定提取和数据的平滑滤波处理、数据的光谱峰值净强度的计算(背景基线校正)。　　 利用实验室搭建的激光诱导击穿光谱实验系统进行实验，并对实验结果进行了分析。通过分析炉渣等离子体发射光谱的时间与空间分辨谱，优化了实验系统的采集延时和聚焦位置，提高了光谱信号的信噪比。利用数据预处理模型和经过训练的人工神经网络对高温熔融态炉渣进行定量分析，计算了炉渣中CaO，MgO，SiO2，Al2O3四种成分的含量，并将计算结果和XRF测定结果(真值)及自由定标法做了比较。实验结果显示，采用ANN能更好的利用光谱信息，预测精度及准确度更高，是一种极具发展潜力的LIBS定量分析方法。我们还进一步研究了不同的网络输入对神经网络预测结果的影响，发现在网络结构相同的情况下，不同的网络输入信息对预测结果将产生较大的影响，选择合适的输入能够提高预测结果的准确性。本文的研究结果表明，将LIBS技术用于炉渣成分的实时在线检测是极具发展潜力的。　　 最后，在总结全文的基础上，对下一步的研究工作进行了展望，并提出了一些建议。