水泥烟囱氮氧化物（NOX）含量是衡量水泥厂污染气体排放是否符合标准的一项重要指标。目前,水泥厂主要采用氨水还原剂的SNCR脱硝技术降低烟囱NOX排放浓度,而人工控制方式使得喷氨不及时或喷氨过量,造成脱硝控制存在明显的不稳定性。因此,本文以水泥烟囱NOX含量为研究对象,提出一种基于LSTM的水泥烟气NOX排放浓度预测方法,用于实现水泥脱硝系统智能控制。具体研究工作如下:首先,介绍新型干法水泥生产过程以及水泥烟气处理过程NOX生成机理和脱硝机理,深入分析不同类型NOX分布位置以及影响脱硝效果因素,研究水泥烟气NOX排放浓度建模过程中的问题并提出相应解决方案。其次,针对水泥烟气处理过程变量空间维度大、变量特征冗余等问题,提出一种基于最大互信息（Maximum Information Coefficient,MIC）理论分析和水泥流程工艺实践分析融合的输入变量选取方法。该方法先对水泥烟气处理过程进行细致分析,选取相关的过程变量,然后再利用最大互信息系数计算过程变量与目标变量之间的相关度,从而实现变量粗选-细选过程。并对其历史数据进行相应的预处理。然后,针对水泥烟气处理系统的动态非线性和大时延等特点,建立一种基于动态联合互信息和窥孔连接长短期记忆神经网络（Peephole Connection Long and Short-Term Memory,PC-LSTM）的预测模型（DJMI-PC-LSTM）。采用动态联合互信息时序分析法对输入变量进行综合时延估计;然后利用PC-LSTM网络的非线性拟合能力提取时序特征。实验结果表明DJMI-PC-LSTM模型具有较高预测精度和泛化能力。最后,针对水泥烟气处理过程中各系统运行的不同复杂工况所表现的不同强耦合性特征,建立一种基于局部-全局特征融合和DJMI-PC-LSTM的水泥烟气NOX排放浓度预测模型（LGA-PC-LSTM）。在DJMI-PC-LSTM模型对全局变量特征提取的基础上,采用CNN对局部模块进行局部特征提取;通过引入注意力机制将局部和全局特征融合,充分考虑局部特征对整体建模的重要性。实验结果表明LGA-PC-LSTM模型相比于DJMI-PC-LSTM、LG-PC-LSTM模型具有更强的适应性。