随着节能减排和绿色制造政策的推行,钢铁行业在寻求提高燃料的利用效率来实现节能减排。铁矿石烧结过程作为钢铁冶炼的第二耗能工序,其作用是生产高炉冶炼所需要的烧结矿原料。而烧结过程焦炭的燃烧,即碳的燃烧,为该工序提供主要的能源来源,因此,提高烧结过程的碳的利用效率对实现碳效优化和降低能耗具有重要的意义。钢铁冶金过程工艺流程长、多种过程参数、强耦合、多工况等特点,缺乏考虑实际生产过程的碳效建模和优化方法。本文针对烧结过程的碳效建模与优化问题,考虑烧结过程的众多特性,选用综合焦比和CO与CO2的比值（CO/CO2）作为衡量碳效的指标,重点针对多层次建模、多模型融合建模、半监督数据驱动建模、多目标优化等相关问题展开研究。本文主要研究成果和创新点如下:（1）提出一种基于半监督建模方法的CO/CO2预测模型碳效指标CO/CO2无法通过固定传感器检测,需要通过手持的测量仪器进行测量,导致数据的难以获取的问题,因而使用传统的监督模型难以达到高精度预测要求。针对这个问题,建立一种基于少量标记数据和大量未标记数据的CO/CO2预测模型,来提高模型预测精度。首先,考虑烧结过程工况复杂,提出一种改进的即时学习算法,结合多神经网络均值融合策略,形成状态参数的预测模型。然后,开发一种基于深度置信网络的CO/CO2预测模型,利用深度置信网络的数据特征挖掘能力,从大量非标记数据中提取特征,进而采用回归模型得到CO/CO2预测值。最后,经过实际运行的实验结果表明,所提方法能够在标记数据较少时,实现CO/CO2的准确预测。（2）提出一种线性融合的碳效指标预测模型基于烧结过程的机理分析和相关性分析,设计了一个基于线性融合的碳效指标预测模型。通过对物质和能量流的分析确定碳效指标预测模型的输入参数,并采用关联性分析方法对模型的结构和输入进行精细划分。在此基础上,提出一种碳效指标的线性融合预测模型,通过分别建立神经网络模型,利用误差评价指标对其进行评估,根据评估结果计算模型融合权重,进而融合得到最终预测值。使用实际运行数据进行仿真验证,结果表明了所提方法具有优越性并满足实际生产需求。（3）提出一种基于模糊综合评价的碳效性能评估模型实现烧结过程的碳效优化,一个重要的前提条件就是必须对烧结过程进行监测,判断烧结过程是否处于稳定运行状态,或者是否需要进行优化。根据实际生产需要,建立一种基于模糊综合评价的碳效性能评估策略。首先,通过机理分析确定反映烧结状态的参数,在此基础上,采用模糊综合评价方法,实现对烧结状态的评价,这是是否进行碳效优化的前提。其次,在碳效性能评估方面,为了提高碳效性能评估的准确性,提出一种基于二级融合的碳效性能评估方法,利用多神经网络模型融合建立碳效指标预测模型,进而利用模糊综合评价和多数投票策略,建立碳效性能评价方法。基于实际的烧结现场数据仿真表明,所提方法能够实现烧结状态和碳效的有效评价,同时,所提碳效性能评价方法能够提高性能评价准确性。（4）提出一种基于双时间尺度的碳效优化策略为了提高烧结过程中的碳利用率,考虑到影响碳效的原料参数和操作参数调整周期不同的问题,建立一种基于双时间尺度的碳效优化策略,双时间尺度分为短时间尺度和长时间尺度。在短时间尺度上,通过以操作参数为决策变量,综合焦比和CO/CO2作为优化目标,形成基于粒子群优化的加权优化策略。在长时间尺度上,以操作参数和原料参数作为决策变量,综合焦比和CO/CO2作为优化目标,形成基于NSGA-II的多目标优化策略。基于实际的烧结现场数据仿真实验,表明所提方法能够在不同时间尺度上实现碳效的优化,同时给出最佳的原料参数和操作参数设定值。该方法考虑实际现场需求,采用不同的优化策略实现碳效优化,为实际烧结生产的碳效优化问题的工程应用提供了新的思路。通过研究烧结过程碳效的数据驱动建模与多目标优化问题,为烧结过程的数据驱动建模与优化提供新的理论技术和解决方案,为实现烧结过程节能减排与智能制造奠定重要基础。