准确预测高炉冶炼过程中的各种状态是有效控制高炉的前提。目前许多基于神经网络的高炉状态预测系统，对大部分炉况变化平稳条件下的状态预测已达到了很高的准确率。但是对于炉况波动剧烈的情况，基于神经网络的预测系统存在预测准确率显著下降的问题，而炉况波动下的准确预测对于调整高炉的状态、避免异常炉况具有重要的意义。因此，本论文针对这一在高炉生产中亟需解决的问题展开研究，重点研究和解决高炉状态预测中关注较多的高炉热状态，即铁水含硅量的预测问题。 高炉铁水含硅量预测可以归结为时间序列直接多步预测问题。由于高炉冶炼过程是不断地在正常炉况和异常炉况之间转换的连续非线性动态生产过程，内部的物理化学变化十分复杂，数据呈现非常明显的非线性非平稳变化特征。因此，本论文将研究重点放在非线性非平稳时间序列预测中的若干关键问题上，探讨了基于支持向量回归的预测方法，针对支持向量回归建模中的一系列关键问题提出了新的解决方案，并将其应用在高炉铁水含硅量预测上，取得了很好的效果。具体研究内容包括：非线性时间序列预测建模方法选择的研究，面向时间序列预测的支持向量回归模型的研究，支持向量回归建模参数选择方法的研究，非线性时间序列相空间重构方法的研究，基于EMD(Empirical Mode Decomposition)的非平稳时间序列预测建模研究，基于组合SVR(Support Vector Machines forRegression)的非线性时间序列模糊建模方法研究，基于二维分解的非线性非平稳时间序列预测建模方法研究，以及非线性非平稳时间序列预测建模方法在高炉铁水含硅量预测中的应用研究。 在非线性时间序列预测方法选择的研究中，对于被普遍采用的神经网络建模方法和新近出现的支持向量机方法，在小样本拟合与预测能力、泛化推广能力、多步预测能力、全局最优性能以及模型参数选择等方面进行了详细的分析与比较，充分阐明了基于支持向量回归方法来进行非线性非平稳时序预测和炉况波动情况下的铁水含硅量预测的理由和依据。 在面向时间序列预测的支持向量回归模型的研究中，针对时间序列数据的特点，对传统的支持向量回归模型进行了改进，给出了改进的支持向量回归机的目标函数及优化问题描述，并提出一种按照距待测点距离进行指数加权的模型参数加权方法。在支持向量回归建模的参数选择方法研究中，在分析了现有支持向量机参数选择方法的基础上，提出了一种ε-力口权支持向量回归机与改进的交叉验证方法相结合的SVR参数选择方法。 在非线性时间序列相空间重构方法的研究中，针对目前非线性时间序列相空间重构中存在的问题，提出一种基于核主成分分析与相关分析相结合的相空间重构方法，解决了非线性时间序列建模前的特征选择与抽取问题。 在基于EMD的非平稳时间序列预测建模研究中，针对时间序列的非平稳特征，提出了一种基于经验模式分解的建模方法，并进一步提出对于分量预测结果进行SVR组合的方法。 在基于组合SVR的非线性时间序列模糊建模方法研究中，针对时间序列数据随时间变化不一致的特性，提出了一种基于模糊分块的多SVR组合建模方法，并进一步将模糊分块的信息与ε-加权支持向量回归机有机地结合起来，提出一种ε加权方法。 在基于EMD预测建模和基于组合SVR的模糊建模的基础上，进一步提出基于二维分解的非线性非平稳时间序列预测建模方法，并提出了一种局部时序数据相似性匹配的测度和算法，阐明了基于这种二维分解模型进行预测的方法和步骤。 最后，在对现场采集的高炉数据进行预处理的基础上，将上面提出的非线性非平稳时间序列预测建模中的一系列解决方案和方法应用于高炉铁水含硅量预测，并与其它的铁水含硅量预测方法进行了比较。比较的结果表明，本文所提出的非线性非平稳时间序列预测建模方法对于解决波动炉况下的铁水含硅量预测问题效果显著。