高炉炼铁是钢铁工业的重要生产环节,是现代炼铁的最主要方式。高炉炼铁需要准确判断整个高炉运行态势,及时调整布料制度、热风制度等相关操作制度及工艺参数,使炉内煤气分布合理、热量充分利用、渣铁顺利排放,实现高炉生产的优质、高产、低耗和长寿运行。但是,高炉内部存在复杂的物理化学反应,高温高压,强耦合,非线性,工况时变且存在固、液、气多态,冶炼环境十分恶劣,难以对其进行实时监测和有效控制。目前,出铁口的铁水质量参数被广泛用来间接反映高炉运行状态,包括铁水温度（MIT）、硅含量（[Si]）、磷含量（[P]）和硫含量（[S]）。然而,现有的检测技术不能直接在线测量铁水质量参数,离线化验又耗费较长时间而存在滞后。因此,建立准确可靠的铁水质量参数预测模型显得尤为重要。以神经网络为代表的数据驱动建模方法应用在工业生产过程中,取得了越来越多可喜的硕果。然而,现有的铁水质量参数建模依然在计算效率、鲁棒性、在线学习能力、数据共线性等方面存在问题。针对上述问题,本文利用人工智能与统计学习的方法,开展高炉铁水质量鲁棒随机权神经网络建模的研究,并依托国家自然科学基金重大课题项目“大型高炉高性能运行控制方法及实现技术”（项目号:61290323）和“大型高炉高性能运行控制的实验验证平台构建及应用验证”（项目号:61290321）,以广西柳钢2650m3高炉为研究对象,具体工作如下:（1）针对现有的铁水质量参数模型仅仅是对单一指标建模,且模型缺乏对离群点的鲁棒性,易受数据的共线性影响,以及泛化能力差等问题,对基本随机权神经网络模型算法改进,提出了高炉铁水质量参数鲁棒正则化随机权神经网络建模。利用正则化理论和结构风险最小化原则,在损失函数中同时引入L2正则和L1正则,构造成Elastic Net,稀疏化网络的输出权值矩阵,解决了多重共线性问题,防止模型过拟合。结合M-估计解决样本数据中存在的输出方向异常离群点对模型的不良影响,提高了鲁棒性和预测准确率。同时,设计了根据标准化残差分布自主确定参数的高斯权函数,提高模型鲁棒性能和计算效率。最后,实际高炉炼铁过程数据,进行不同权函数对比及不同建模方法对比试验,结果表明所提建模方法具有较强的鲁棒性、更高的估计精度,且稀疏输出权值矩阵,解决多重共线性问题。（2）针对高炉炼铁过程存在的工况时变的动态特性,我们在提出的鲁棒随机权神经网络建模基础上,引入在线序贯策略,提出带有遗忘因子的铁水质量参数鲁棒在线序贯随机权神经网络建模方法,提高模型的在线学习和自适应能力。在线序贯策略,可以根据新来的一批数据及时更新模型参数;同时,引入遗忘因子法解决对随着数据不断增加出现的“数据饱和”现象,增大当前数据的作用,提高模型的准确率;对输出权值的正则化,防止模型过拟合,提高泛化能力。最后,基于数值仿真和实际高炉炼铁过程数据,与其他不同的建模方法对比,表明所提建模方法具备良好的在线学习能力,有效克服高炉运行工况时变对鲁棒建模性能的影响,保证了铁水质量预测的鲁棒性和准确率。（3）首先针对高炉炼铁过程数据中存在的数据噪声和多重共线性问题,提出了基于偏最小二乘法的随机权神经网络建模方法,然后针对M估计的鲁棒随机权神经网络存在不能抵抗高炉炼铁过程运行数据样本输入异常的情况,提出基于广义M-估计（GM-估计）的高炉铁水质量鲁棒偏最小二乘随机权神经网络建模算法。通过模型的残差大小和输入向量在高维空间的距离信息分别确定样本对建模的贡献大小,使其能够抵抗训练数据中含有样本输入方向和输出方向均异常的离群点对模型的影响。同时偏最小二乘算法通过将隐含层高维数据映射到低维空间,解决了多重共线性对模型的影响,极大的提高了模型的鲁棒性和预测准确率。最后,基于数值仿真和实际高炉炼铁过程数据,进行充分数据试验,结果表明所提方法具有更强的鲁棒性能和预测准确率。