高炉炉温预报过程是一个摸不到、看不透的非线性系统，过程参数具有不确定、非线性、高维数等特点。以往炉温预报模型是以铁水硅含量为研究对象，尽管铁水硅含量和炉温存在正相关的关系，但也存在非线性的关系，所以用铁水硅含量多少来描述炉温的变化存在一定的不足，因此本文以炉温的物理温度即铁水温度为研究对象，并建立其预报模型。支持向量机是近期研究出的一种算法，即可以解决分类问题又可以解决回归问题，被认为是神经网络算法的代替算法。同时能够很好的处理小样本、非线性、高维数等问题，收敛速度快、泛化能力强，因此笔者采用支持向量机技术建立铁水温度的预报模型。本文主要工作有：1.经过大量阅读高炉相关的参考文献和现场专家的讨论，得知高炉的过程数据在采集时候，部分数据存在缺失值、异常值、噪音、不同的纲量级及参数滞后性等问题，如果不做处理会直接影响模型的性能，为了提高模型的性能，本文在建模之前会采取相应的办法对以上存在的问题做处理。2.提出了一种基于主成分分析（PCA）和最小二乘支持向量机（SVM）建立铁水温度时间序列模型的方法，首先采用主成分分析法对处理后的数据做降维处理，得到主成分时间序列数据，作为模型的输入变量，然后采用最小二乘支持向量机算法建立铁水温度预报模型，同时采用线性递减惯性权重的粒子群优化算法优化模型的参数，最后得出预测结果，并和粒子群优化的支持向量机时间序列模型模型、RBF神经网络时间序列模型做对比，得出最小二乘支持向量机时间序列模型的预测精度更高、求解时间短。3.提出了一种基于聚类和最小二乘支持向量机（LS-SVM）建立铁水温度多回归模型的方法，此方法解决了单一模型的预测精度低、泛化能力差的问题，该方法首先采用减法聚类确定待分类样本的聚类数，在用K-means对训练样本进行划分，然后采用最小二乘支持向量机算法建立不同的类别的预测模型，同时采用线性递减惯性权重的粒子群算法优化各模型参数，并将测试样本代入不同模型求得预测结果，最后加权求和得到最终的预测结果，对比于最小二乘支持向量时间序列模型和支持向量机建立的多模型，得出最小二乘支持向量机多模型的命中率要高于其它模型。