随着我国加入WTO，“以信息化带动工业化”成为各个工业企业发展的核心战略任务。在钢铁企业中，如何降低钢材中的硫含量，提高钢材质量，开发新品种是钢铁生产的一个重要课题。传统的铁水预脱硫主要采用人工控制，难以保证脱硫操作的稳定性，导致钢产品质量波动大，脱硫成本增加。本文以国内某大型钢铁公司为背景，采用数据挖掘方法建立脱硫静态模型，自动寻找脱硫过程的规律和知识，从而对脱硫过程进行决策支持，提高脱硫效果，降低脱硫成本，为全自动脱硫创造了良好的条件。本文采用径向基函数（RBF）神经网络作为建模工具。针对建模过程中出现的RBF中心和宽度难以确定的难点，在分析遗传算法机理和基本算法的基础上，提出了使用广义遗传算法对RBF神经网络模型的中心和宽度进行自适应选择，从而达到模型训练精度和范化能力的一个最优的平衡，从而提高模型的预报精度。文中详细介绍了广义遗传算法的思想和特点，阐明了广义遗传算法采用定向演化和局部最优状态定向转移相结合从而快速达到全局最优的寻优模式，从演绎逻辑、数学推理和生物进化三个方面证明了算法的合理性。提出了采用实数编码的“群中群”和多种群进化相结合的广义遗传算法，并通过程序仿真证明了改进算法与基本遗传算法相比具有明显的优越性。本文在分析脱硫工艺的基础上，通过有效的数据预处理和广义遗传算法，优化了RBF神经网络脱硫静态模型，通过测试，模型预报精度好于传统RBF神经网络模型，具有一定的实用性和推广性。最后，通过引入局部加权线性回归模型，在积极学习和消极学习的仿真结果对比的基础上，对脱硫过程的数据分布进行了简要的分析。