转炉炼钢技术是目前全世界应用最为广泛的炼钢技术,而其关键就是实现对转炉炼钢吹炼终点的准确控制。但转炉炼钢的工业现场环境恶劣,同时伴随着生产过程中复杂的物理和化学反应,为了能够及时有效地实现终点控制,并满足出钢要求,准确地预报熔池内钢水碳含量和温度极为重要。其中,转炉炼钢生产过程数据与终点碳含量和温度有密切的关系。因此,基于转炉炼钢生产过程数据生成终点碳温软测量模型的方法应运而生。但在转炉炼钢过程中,熔池内钢水的碳含量和温度的变化是复杂的,影响因素较多。单一的全局模型在针对这些数据的时候往往表现不佳,对实际生产中因原材料的不稳定和品质存在差异等导致的炉次样本波动性较大,数据维度高等问题的诠释力度不够,因此基于集成学习的软测量建模方法通过集成多个单一的局部模型构造集成学习器,为解决上述问题提供了良好的思路。本文以集成学习的思想对转炉炼钢终点碳含量、温度构建预测模型的问题进行深入研究。（1）基于LR-SVGD模型选择的集成学习转炉炼钢终点碳温软测量方法。针对实际生产中因原料品质差异导致的炉次样本波动性较大所造成全局单一模型会影响集成效果而无法精确预测终点碳温的问题,提出一种LR-SVGD模型选择的集成学习软测量方法。首先,采用峰值密度聚类算法划分可视化后的训练数据形成局部样本子集,构建子集与原始数据间的一一对应关系生成广义回归神经网络子模型,通过LR-SVGD获得测试样本与不同模型之间的关联概率;其次,通过关联概率选择与测试样本关联较佳的广义回归神经网络子模型作为局部模型,提出LR-SVGD模型选择方法从而得到集成输出碳温预测结果。根据实际转炉炼钢生产过程数据的仿真结果,表明碳含量在±0.02%的误差范围内精度达到81%,温度在±10℃的误差范围内精度达到73.8%。（2）基于LNN-DPC加权集成学习的转炉炼钢终点碳温软测量方法。本章提出一种基于改进的密度聚类的灰色关联度加权集成软测量建模方法。首先,采用改进的峰值密度聚类算法划分降维后的训练数据形成局部样本子集,构建子集与原始数据间的一一对应关系生成高斯过程回归子模型,并在原始数据子集下度量得到熵值加权的子集“质心”;其次,通过灰色关联分析选择与测试样本关联度较强的模型作为局部模型,提出关联度加权集成策略输出碳温预测结果。根据实际转炉炼钢生产过程数据的仿真结果,表明碳含量在±0.02%的误差范围内精度达到85.2%,温度在±10℃的误差范围内精度达到84.8%。（3）基于自编码器特征提取的转炉炼钢终点碳温软测量方法。针对实际生产过程中生产过程数据维度较高不利于转炉炼钢终点碳温的准确预报的问题,采用一种基于自编码器的集成学习转炉炼钢终点碳温软测量方法。首先,采用改进的峰值密度聚类算法划分可视化后的训练数据形成局部样本子集,并通过局部样本子集与原始数据间的映射关系形成高维数据子集;其次,采用自编码器对每一个高维数据子集进行特征降维,形成降维后的数据子集训练不同模型,并通过自学习选择不同模型下的最佳训练子模型;最后,通过灰色关联分析选择与测试样本关联度较强的最佳训练子模型,得到灰色关联度加权集成模型输出碳温预测结果。根据实际转炉炼钢生产过程数据的仿真结果,表明碳含量在±0.02%的误差范围内精度达到90%,温度在±10℃的误差范围内精度达到87%。