钢铁的用途广泛,是建设基础设施中必不可少的材料,钢铁工业的发展程度作为硬实力的体现,无论在支撑国民经济发展还是提高国家现代化程度来说都发挥了不可替代的关键作用。通过公布的数据可以看到发展到至今我国钢铁产量在世界范围内处于较为领先的位置。近年来我国经济发展速度大幅提高,钢铁产量保持着持续增长的趋势。经过调查发现高炉炼铁是钢铁工业最主要的生产方式,其弊端也逐渐凸显,比如需要花费较多的成本,对环境造成较大的压力,产生的废料较多等。在过去科技欠发达时期,这一生产方式确实帮助我国在短时间内尽快树立起发展基础,但随着科技水平的提高,我国发展理念的转变,更加注重环保绿色,因此这一传统方式已经适合当下的发展需求亟待做出改变。而合理煤气流分布对降低成本和能耗至关重要。本文充分利用某钢6号高炉的生产数据（一个月）,主要研究内容如下:（1）对煤气流红外图像进行特征提取。首先,对红外图像的非料面信息进行去除;其次,结合VGG-16卷积神经网络就可以提取图像中的关键特征,获取到的特征向量是4096维;但维度过高无法直接识别传输需要进行降维处理,具体借助了栈式自编码网络就可以将向量降至64维。（2）对红外图像的特征向量进行聚类。利用K-Means算法和Mini Batch K-means算法对上述的得到的红外图像的特征向量进行聚类,并且根据平均轮廓系数来评价这两种聚类算法,经过对比平均轮廓系数数据后了解到,Mini Batch K-means算法明显不如K-Means算法,由此可以得出结论选择K-Means算法进行聚类,其结果为10类。（3）对煤气流发展状态进行划分。采用K-Means直接划分和基于奇异能量值的K-Means组合划分2种方法进行划分,并且用聚类中心点之间的欧式距离作为评价标准,得出基于奇异能量值的K-Means组合划分整体优于K-Means直接划分,因此,选择基于奇异能量值的K-Means组合划分,并且划分为4类。（4）煤气流发展状态与煤气利用率的相关性分析。采用2种方法进行相关性分析,第一,利用典型性相关分析法进行线性分析;第二,利用互信息法进行非线性分析。通过上述两种方法分析,都得出状态4与煤气利用率的相关性相对较高,由此可以得出结论按照状态4进行调控,就可以显著的提升利用效果避免造成资源浪费,也可以大大提高智能化程度。（5）对煤气利用率进行预测。分别建立BP、Elman及基于遗传算法的Elman的神经网络模型,为了得到尽可能准确的预测结果还对相关进行了对比,具体使用了均方误差等作为标准对模型进行评价。通过实验表明,基于遗传算法的Elman神经网络模型的拟合效果更好,更能满足实验目标达到理想的结果。