VD炉是炉外精炼过程中降低钢液中氢,氮,氧含量以及非金属夹杂物等的重要设备。VD炉终点温度是决定钢质量的重要参数。由于VD炉冶炼在真空下进行冶炼的特点,使得炼钢温度参数很难实现实时测量,无法对终点温度做出准确预测。通常,大多数VD炉的冶炼终点温度依靠长期操作的经验获得,导致预测精度的缺陷,影响了冶炼过程的操作。由此,本文进行了VD炉冶炼钢水终点温度的预报方法的研究。固定尺度支持向量机(FSSVM)是一种数据学习方法,具有训练速度快,预测精度高和泛化性能好的特点。本文在分析了支持向量机和最小二乘支持向量机的基础上,详细阐述了固定尺度支持向量机的机理。采用Nystrom方法在原始空间中求解最优化问题；由二次Renyi熵方法选择PV子样本集来代表训练集,由此体现算法的稀疏性。为了建立精确的VD炉钢水终点温度预报模型,首先需要对VD炉的工艺和机理进行研究。本文通过研究和分析VD炉工艺及冶炼过程,根据能量守恒原理,建立VD炉终点温度的机理模型。详细分析影响钢水温度的各个因素,并得到各部分的数学表达式。同时,通过定性分析和定量计算,得到对钢水温度可忽略的因素。最终推导出VD炉终点温度的数学模型。由于所建立的机理模型部分参数无法得到,所以无法通过机理模型直接计算VD炉的终点温度,因此考虑采用数据建模的方法对VD炉终点温度进行预报。由于VD炉钢水温度的模型复杂,小样本数据难以体现VD炉终点温度预报模型的所有特征及特征的变化,无法得到很好的预报精度；而大样本数据的学习方法普遍存在训练太长的问题。为了解决这一矛盾,本文将基于固定尺度支持向量机的学习方法应用于VD炉终点温度预报。由此前的机理模型得到数据模型的输入参数,应用CSA算法实现核函数参数和惩罚因子的选择。仿真结果表明,在大样本情况下该方法与其他方法相比具有训练时间短,预报精度高的特点。由于纯机理建模有着模型复杂,很多模型参数无法得到,计算复杂的缺点；而纯数据建模的缺点则是缺乏工艺指导,过分依赖数据,模型解释性差。针对纯机理模型和数据模型各自的缺点,尝试着建立了VD炉钢水终点温度的并行混合模型。仿真结果与纯数据模型的结果比较,结果显示,混合模型的预报精度较纯数据模型有一定的提高。