转炉炼钢是一个非常复杂的高温、多相的物理化学过程。在实际生产中，由于冶炼过程的随机因素和操作因素的干扰，转炉终点控制的命中问题，长期以来一直成为转炉冶炼的难点。另外，由于受到测温材料及成本的限制，得到的用于建模的样本数据比较少，使得依据大量样本理论的转炉静态控制终点预测常规建模方法（机理分析，统计分析和神经网络方法）的应用受到了一定的限制。利用支持向量机方法建模，可以很好的解决有限样本预测的问题，因此，本文采用支持向量回归机方法建立了转炉终点碳温预测模型。　　 首先基于福建三明钢铁厂90吨转炉炼钢实际生产工况数据，结合转炉炼钢的反应机理和工艺过程，分析转炉冶炼各因素对终点碳含量和温度的影响，确定终点碳温控制变量，建立了基于支持向量回归机的转炉终点碳温预测模型。利用交叉验证的训练算法，对SL2钢的100个炉次实际生产数据进行了模型训练，并对另外40个炉次的终点钢水温度及碳含量进行预测，在终点钢水温度偏差±12℃及碳含量偏差±0.02％范围内，得到的终点碳温双命中率为80％。　　 在参数确定过程繁杂，人为影响因素多，致使模型存在预测精度不高及应用具有一定局限性的情况下，利用自适应支持向量回归算法对模型进行了改进。应用改进的模型对转炉数据进行预测，在终点钢水温度偏差±10℃及终点碳含量偏差±0.015％范围内得到的终点为82.5％碳温双命中率。该方法明显地提高了终点钢水温度及碳含量的预测精度，且实现了模型参数的自动选取，完全避免了交叉验证选取参数的繁杂步骤。　　 为更好的说明自适应支持向量回归机模型的可行性，本文利用Q235钢生产数据对模型进行了测试，计算结果显示，在终点要求分布范围较宽的条件下，自适应支持向量回归机模型也可以取得较好的预测效果。计算结果表明，该方法在实现转炉炼钢分类终点预测上是可行的，进而提出了转炉数据分类预测模型，为转炉终点预测模型的发展提供一种新的思路。