近年来,不锈钢的需求与日俱增,对不锈钢的质量也提出了更高要求,作为冶炼不锈钢的主要方法,真空吹氧脱碳法（Vacuum Oxygen Decarburization,VOD）开始在钢材生产企业中投入使用。VOD精炼炉冶炼不锈钢过程是一个典型的多输入、多输出、非线性的时变过程,也是一个复杂的多相火法冶金过程。VOD终点参数的准确预测控制是冶炼的主要控制目标。其中,终点碳含量和温度作为最为关键的参数,它与多个变量存在非线性、耦合性非线性的关系,且存在大量参数无法实时测量的问题。建立准确的预报模型对VOD终点碳温进行预报,可以提高终点命中率,提高生产效益。本文首先通过分析VOD冶炼工艺流程,以及对精炼机理过程进行简要分析,对各个阶段发生的物理化学反应和体系热量收支进行简要分析,确定出对终点碳温有影响的输入参数。其次,针对VOD冶炼过程参数众多、参数之间非线性、冗余性的特点,深入学习特征选择理论相关知识,采用基于最大相关最小冗余（Max Relevance Min Redundancy,mRMR）的互信息（Mutual Information,MI）特征选择方法,对输入参数进行选择,不仅能衡量变量之间的相关性也考虑了变量之间的非线性和冗余性,从而减少模型参数和冗余特征。然后,分别对神经网络和循环神经网络的工作原理进行了深入学习,针对循环神经网络目前存在的梯度消失和梯度爆炸问题,引出本文采用的算法模型长短时记忆网络（Long Short Term Memory Networks,LSTM）,并对其工作原理进行了深入研究,并在燃气轮机上对CO和NOx的排放量对LSTM算法进行了仿真实验。结果表明,与极限学习机和随机森林算法的结果相比,LSTM在处理具有时序特点的工业参数预测控制中有着较强的预测效果和泛化能力。最后,基于互信息的特征选择方法得到VOD终点碳温预报模型的输入参数,并对LSTM网络模型训练参数的设置进行了研究,包括损失函数的选择和模型泛化能力的提升方法。然后分别建立了支持向量回归机（Support Vector Regression,SVR）预报模型、未经特征选择的LSTM模型和基于互信息的LSTM终点预报模型。针对SVR参数选择问题,采用遗传算法优化SVR的超参数,提升SVR预测效果。结果表明,经过特征选择能够减少参数个数和参数之间的冗余性,降低模型复杂度。同时,将深度学习算法应用于炼钢过程参数预测控制,为炼钢终点预报方法开辟了新方法。仿真实验表明,本文提出的方法优于传统的BP神经网络模型和SVR模型,能够提高VOD精炼炉的终点碳温命中率,可用于指导VOD生产过程,并拓展到其他冶金领域。