为了实现高效率、低能耗、长寿命、低污染的综合目标,现代炼铁工艺在生产方式上已经逐渐趋于大型化和高效化。高炉内部是一个非线性、大时滞的复杂系统,高温高压的环境使得炉温的测量和控制都不易实现。本文利用铁水硅含量和高炉炉温之间的正相关性,通过对铁水硅含量的预测实现对炉温的间接预测。针对硅含量预测中影响因素众多的问题,本文利用神经网络能够实现复杂的非线性映射的能力建立BP神经网络模型,对高炉铁水硅含量进行预测。本文对某钢高炉的实际生产数据做了灰色关联度分析,选取鼓风湿度、炉顶温度、炉顶压力等十个与铁水的硅含量相关性较大的因素作为预测模型的输入,在建立模型之前通过归一化处理统一各数据量纲,研究并确定各因素的滞后时间。针对前期建立的BP神经网络预测模型存在预测性能不稳定、个别样本误差偏大的问题,进而提出利用遗传算法全局搜索能力强和容错率高的优点对传统预测模型的初始权值和阈值进行参数寻优并建立GA-BP模型仿真实验,仿真结果显示优化后的预测模型在预测稳定性和命中率上都有一定提高。最后利用粒子群算法收敛速度快、效率高的优点优化预测模型建立APSO-BP模型并进行仿真实验。通过对三种预测模型的结果对比发现,改进粒子群算法优化后的模型性能最佳,能够实现测试样本误差4.8%以内的预测,证实了预测方法的可行性。