高炉炼铁是钢铁生产的主要环节,在国民经济中占据重要地位。在钢铁企业的炼铁生产过程中,通常以铁水的化学热,即铁水硅含量来表征当前高炉的炉热状态水平,以铁水硅含量的变化趋势来表示高炉热状态的发展趋势。因此,从铁水硅含量的预报问题入手,建立准确的高炉热状态预报模型,是进行高炉炼铁过程精准操作的重要参考指标,对保证高炉炉况的稳定、顺行和高产尤为重要。本文以高炉热状态预报问题为研究对象,将铁水硅含量预报模型的研究作为核心内容,以稀疏化高斯过程作为主要的研究方法,针对铁水硅含量预报和趋势预报的方法分别进行了研究。本文的主要工作内容如下:（1）分析了高炉数据的特点,研究了高炉数据异常值替换、数据去噪、时序配准等问题的解决方法。针对高炉中连续采样数据存在的异常值、噪声等问题,提出了一种基于增量阈值的异常值处理方法和基于经验模态分解（EMD）的信号重构方法,实现了连续采样数据的准确修复;针对多维输入参数与铁水硅含量之间在输入输出响应时间方面呈现出的多尺度时滞问题,提出了一种基于最大信息系数（MIC）的输入输出时序配准方法,为后续数据建模技术的应用提供了准确的数据支撑。（2）围绕铁水硅含量预报问题,本文采用了数据驱动的建模方法。针对模型复杂度这一核心问题,从输入变量维度和数据样本维度两个方面综合入手,研究能够有效降低模型复杂度的铁水硅含量预报方法。在输入变量维度方面,针对高炉中备选建模参数多、相互耦合的问题,提出了一种递进式的参数选择方法。首先从高炉工艺经验出发,通过分析高炉铁水中硅的来源,确定影响铁水中硅含量的因素,作为模型的备选输入。其次,经过数据相关性分析,对高度耦合相关的备选输入变量进行筛选,并通过回归建模,确定最佳的输入变量组合,实现了高维高炉数据的降维;在数据样本维度方面,针对数据模型的规模随样本个数增加而急剧膨胀、性能下降的问题,提出了“稀疏化”的解决思路。采用基于近似线性相关（ALD）和回归量子集（SOR）的算法实现了铁水硅含量预报模型的稀疏化与快速训练。该算法不仅保留了高斯过程的良好性能,而且在提高训练速度的同时使模型更为精简。（3）围绕铁水硅含量的趋势预报问题,本文分别研究了回归和分类两种趋势预报模型的建模方法。在单体建模方法的基础上,提出了基于集成学习的多模型趋势预报方法。分别以稀疏化高斯过程方法和支持向量机方法作为回归建模和分类建模的算法以提升趋势预报的精度。通过对比分析,分类建模方法在铁水硅含量趋势预报方面适应性更好。针对支持向量机模型精度不高的问题,本文进一步提出了基于AdaBoost的集成预报模型,并且针对模型多样性问题进行了研究,综合设计了“算法多样性”和“模型多样性”的多样性提升方法,以最大程度提高集成预报模型的预测精度。采用某厂高炉的生产过程数据对本文提出的方法进行实验验证,在相对误差为±0.1%时,基于稀疏化高斯过程模型的命中率为97%,相较于传统的高斯过程模型,不但提高了预报的命中率,而且模型复杂度减少了近90%,说明本文提出的方法在面对高维、大规模高炉数据的建模问题时具有较好的适用性。同时,采用本文提出的铁水硅含量集成预报模型对趋势预报的命中率约为79%,能够基本满足高炉生产的需求。