科学发展日新月异,为数据的采集和存储提供了基础。越来越多的行业通过挖掘数据中蕴含的知识现实生产效率的提升。高炉冶炼作为钢铁工业中的支柱性环节,经过多年的发展,高炉系统积累了众多的高炉炉况历史数据并持续不断的产生新的数据。稳定的炉况是高炉安全、优质、低耗生产的前提条件。在如何分析与检测炉况变化这一问题上,已经有很多相关的研究内容。已有的研究存在检测准确性不高,模型移植性不好,模型输入对数据要求过高等不足。本文在对实际运行数据分析和校正的基础上,通过聚类算法挖掘出数据本身蕴含的信息,为提高高炉炉况分析与检测性能提供基础。本文的主要工作如下:首先为了实现高炉数据的本地分析挖掘,结合高炉现场数据采集控制的现状,搭建了高炉系统上位机-高炉现场服务器-实验室数据分析平台三级数据传输存储框架,通过软硬件选型、部署实施,成功实现了数据的周期性传输。其次,因为高炉数据存在缺失和异常,为了得到正确的数据用于高炉炉况分析,本文首先分析了高炉参数之间的相关性,确定参数之间的相关性的强弱关系,作为回归预测模型的输入的依据。本文选取支持向量回归(SVR)作为模型,以冷风流量为例子,通过比较估计值与真值的接近程度,确定模型的输入参数和训练数据的时长最优组合。第三,本章采用基于密度快速确定聚类中心的聚类算法分析一天时间尺度内的数据,确定数据之间的深层次关系——是否属于同一种炉况。通过分析,确定了正常炉况数据,经过高炉操作者调节后炉况数据以及异常炉况之间的关系。通过选取聚类中获得的正常炉况数据,利用PCA降维,以及T2和SPE两个参数来检测炉况,达到了较好的检测效果。