配煤炼焦是一个复杂的工业生产过程。要实现炼焦生产过程的优化控制,关键是实时得到焦炭质量及炼焦能耗。论文针对焦炭质量及炼焦能耗的检测困难,在充分分析焦炉生产过程工艺的基础上,建立焦炭质量预测模型和炼焦能耗智能集成预测模型。针对炼焦生产过程焦炭质量难于实时测量的问题,建立一种主元分析(PCA)和径向基函数(RBF)神经网络相结合的预测模型。首先通过机理分析确定焦炭质量的影响因素,包括配合煤指标和炼焦过程操作参数;然后采用主元分析去除配合煤指标的相关性,减少径向基函数网络的输入；最后采用k-均值聚类算法确定径向基函数隐含层的参数,用最小二乘法确定线性输出层参数。通过分析焦炉特性,提出一种基于主元回归和监督式分布复合神经网络的炼焦能耗智能集成预测模型。在炼焦能耗影响因素相关分析的基础上,建立炼焦能耗的主元回归模型。为了提高模型的泛化能力,基于聚类分析,将炼焦能耗引入样本空间,采用监督式聚类,将样本分组,分别建立不同的复合神经网络模型,并通过模糊组合获得炼焦能耗的预测值。同时,基于信息熵的递推算法,将炼焦能耗的分布式复合神经网络模型和主元回归模型进行集成,最终获得炼焦能耗的预测值。焦炉生产过程焦炭质量及炼焦能耗模型的预测结果表明：这两个模型具有较高的预测精度。模型的应用将为实现炼焦生产过程的优化控制奠定基础。