在轧钢厂的热轧生产中，必须将要轧制的钢坯加热到一定的温度，使它具有一定的可塑性，才能轧制。钢加热的质量直接影响到产品的质量、产量、能源消耗以及轧机寿命。作为钢坯加热设备的轧钢加热炉系统具有多变量、非线性、大滞后、交叉耦合等特性。一般情况下，由于存在炉内钢温的检测难题，都是采用炉温控制方式间接控制出炉钢温，因此钢温的软测量研究对加热炉生产来说具有非常的实用价值。 本文以钢坯出口温度应用软测量技术问题为研究背景，首先阐述了软测量技术主要研究内容、常用建模方法、现状和发展情况以及加热炉控制和钢温预报软测量模型发展现状。并介绍了本课题中的主要数学基础，如偏最小二乘、神经网络等方法。然后结合某厂加热炉实际生产过程，先是将偏最小二乘回归与神经网络相结合，利用偏最小二乘法对加热炉过程变量进行分析，提取对质量变量影响强的成分，从而克服了变量之间的多重相关性问题，降低了神经网络的输入维数。同时又利用神经网络建模较好地解决了非线性问题，用该方法建立了加热炉钢温预报模型，取得了较好的效果。针对过程运行状态变化时离线模型的缺陷，接下来，又引入了基于块式递推PLS限定记忆思想的算法，运用这种新方法建立的钢温预报自适应软测量模型能更好地跟踪过程的变化，解决了固定模型无法及时修正的问题，取得了更好的预测效果。 利用现场数据进行的仿真研究表明，上述两种方法都能够达到较好的预测效果，也为将来的现场应用提供了良好的借鉴经验。