钢铁工业是国民经济的重要支柱产业，是衡量一个国家综合国力水平的重要指标。而高炉炼铁作为钢铁生产流程中的主要工序，其稳定性对钢铁生产而言至关重要，而高炉的炉温则是判断高炉稳定性的主要指标。因此，高炉炉温的预测控制模型是高炉炼铁工艺的核心数学模型，也是本文研究的重点。　　高炉炼铁过程的工艺机理极为复杂，涉及化学反应动力学、三相流体动力学等一系列物理化学过程。因而，近年来涌现出许多基于数据驱动的高炉预测模型。然而基于数据驱动的高炉模型是一种抛弃工艺机理的黑箱模型，其结果一般不具有解释性，在实际控制过程中难以为工人所用。所以，黑箱模型的透明化方法在高炉炼铁过程中具有较好的实际意义。　　本文在郜传厚等人提出的“基于模糊的高炉SVM预测控制模型”的基础上做了进一步的改进。首先，本文考虑了高炉炼铁工艺过程中的大噪声对高炉数据的影响，通过引入小波去噪来得到相对干净的高炉数据。而后，利用基于核方法的模糊C均值聚类方法来计算高炉铁水硅质量分数的可控范围，同时引入多核SVM来建立基于多核SVM的多分类器对铁水硅质量分数进行3分类建模。为了防止发生过拟合同时也为了简化模型、提高模型精度，本文利用了互信息方法来对模型的输入进行了特征选择。结果表明，经过特征选择后所建立的模型较为简便同时预测精度也有相应的提高。虽然本文建立的高炉多核SVM多分类器较之前的结果有了不错的提升，但黑箱模型可解释性不高的特点依然很突出，这对模型的实际应用提出了一定的挑战。因而，本文在之前的高炉多核SVM多分类器的基础上又引入了C4.5决策树算法进行了规则提取。最终算法获得的规则集达到了较好的预测精度，相较之前的结果有了较好的提升。同时规则数目较少，使得高炉实际操作人员能更好的理解模型的运作机理，为高炉过程的实际操作提供的一定的参考价值。　　最后，本文对所做的研究进行了总结，也对以后的研究改进工作进行了展望。