新型干法水泥生产技术已成为当代水泥工业发展的主流,预分解技术是其核心技术之一。分解炉是实现预分解技术的主要设备,它承担着燃料燃烧、气固两相换热和碳酸盐分解的任务。分解炉的稳定运行对生料分解率、熟料质量和产量的稳定都起着重要的作用,分解炉温度是分解炉稳定运行的主要指标。然而由于分解炉、回转窑及预热器直接相连,存在诸多的不确定性干扰,同时在分解炉内所进行的燃烧、传热等过程机理复杂,使分解炉温度过程具有强非线性、纯滞后、强耦合和不确定性等特点,难以建立分解炉温度过程的准确的动态机理模型和数据驱动模型,导致基于模型的控制和优化算法难以应用于实际过程,因此,研究分解炉温度过程的建模方法,特别是建立具有较小仿真误差的模型,对分解炉温度过程的控制和仿真研究都具有很重要的意义。本文依托国家高技术研究发展计划(863计划)课题“大型回转窑智能控制系统”,针对当前系统辨识方法很难建立出具有较小仿真误差模型的问题,提出了三种能够提高模型性能的建模方法,并在现场实际数据的基础上,建立了分解炉温度过程的动态模型。本文的主要工作包括如下几个方面：(1)针对非线性NARX (Nonlinear Auto Regressive with eXogenous Inputs)模型仿真误差较大的问题,本文针对S VM (Support Vector Machine)模型提出了一种改进的模型选择方法,该方法能够通过选择模型的结构参数来提高模型的性能,使其更加接近于实际对象。并在现场实际数据的基础上,建立了分解炉温度过程的SVM NARX模型,仿真结果表明：该方法所建立的模型能够一定程度上减小模型的仿真误差,提高模型的泛化性。(2)由于线性输出误差(Output Error,简称OE)模型具有较小的仿真误差值,而非线性OE模型建模难度较大,本文提出了基于AdaBoost(Adaptive Boosting)算法的集成输出误差模型建模方法。将输出误差模型作为集成模型的弱学习机,使用AdaBoost算法对样本权值进行更新来训练出具有不同性能的弱学习机模型,然后针对集成模型的模型复杂度高问题,提出了使用选择性集成策略对集成模型进行修剪。并使用该方法建立了分解炉温度过程的集成输出误差模型,其仿真结果表明：该方法所建立的模型能够有效地减小模型的仿真误差,具有较好的学习能力和泛化能力。(3)针对现有的Hammerstein模型非线性模块参数过多,学习代价过高的问题,本文在Hammerstein模型结构基础上,提出了一种基于极限学习机(Extreme Learning Machine,简称ELM)的Hammerstein输出误差模型方法,即将ELM模型作为Hammerstein模型的静态非线性模块,OE模型作为Hammerstein模型的动态线性模块,并提出了两阶段迭代优化算法来估计模型参数。最后使用该算法建立了分解炉温度过程的基于ELM的Hammerstein输出误差模型,仿真结果表明该模型的结构相对简单,学习复杂性较低,且所建立的模型在减小模型的仿真误差方面也具有一定的改进。(4)对上述三种方法所建立的模型分别从建模的侧重点及模型复杂度、建模时间、模型精度和泛化性能等方面进行了比较分析。结果表明：三种算法中,SVM NARX模型与另外两种方法具有不同的侧重点,其主要是一种模型选择算法,而集成输出误差模型和基于ELM的Hammerstein输出误差模型是两种能够减小模型的仿真误差值的模型结构；在模型复杂性、建模时间和模型精度与泛化性能方面,三种模型各自有优缺点,但是总体而言,SVM NARX模型的精度相对最低,另外两种算法具有大体相同的学习精度和预测精度。