随着大数据技术应用于冶金行业,高炉冶炼钒钛磁铁矿研究取得了新发展。收集了承钢4#高炉的历史实际生产数据,对数据进行了预处理,优化数据的质量。将预处理数据进行编辑和存储,建立科学、通用的数据库。在高炉状态相对稳定的情况下,绘制了铁水钒含量与高炉提钒率的分布曲线。通过不同的趋势变化图分析数据参数间的影响关系。采用皮尔逊、随机森林等大数据技术对目标参数进行了特征筛选,保留相关性强的特征参数用于构建预测模型。其中,筛选出烧结矿的TFe等16个与目标参数铁水钒含量相关性较强的特征参数,筛选出与高炉提钒率相关性强的特征参数包括烧结矿Ti O2、烧结矿Al2O3等19个特征参数。以输入参数和目标参数时间序列的方式分析铁水钒含量,得到输入参数与目标参数在不同滞后时间的相关系数。选取Ada Boost、随机森林等算法构建高炉铁水钒含量预测模型,Ada Boost模型预测的精度更为优秀。通过调整Ada Boost模型中基分类器的个数进行模型优化,模型的准确率（±0.015）达到90.84%,均方根误差为0.008687,拟合优度为0.859。选取BP神经网络算法构建高炉提钒率预测模型,并选取L-M算法对模型进行优化,发现优化后的预测模型精度更高,更适用于高炉提钒率的预测。预测模型的均方根误差为0.03204。图41幅;表10个;参79篇。