随着我国经济的快速发展,客观上加剧铁矿石短缺的矛盾。天然优质富铁矿是不可再生资源,随着开采的进行,富矿储量会逐年降低。贫铁矿是品质比较低劣的矿石,它不能直接入炉炼铁,必须先将铁矿石炼成烧结矿；同时,随着高炉大型化和冶炼技术的提高,对精料提出更高的要求,现在用于入炉炼铁的铁矿石大部分都是烧结矿。可见,烧结矿的生产变得更加重要。获得烧结矿化学成分的方法很多,包括看火工师傅肉眼的判断、化学检验方法等。人工判断方法是看火工师傅直接观察机尾图像,对烧结矿中各参数定性分析,控制生产过程的进行。化学检验方法结果精确,但是从混合物料烧结到物料冷却、化验需要2-3个小时。人工判断容易疲劳且智能化程度太低,化验结果具有滞后性,不能实时控制,它们都存在明显的不足和缺陷。近年来,人们对烧结矿性能的预报和烧结矿过程的优化控制进行大量的研究。市面上也出现了利用传统建模方法构建的机理性烧结矿预测模型。这种方法的缺陷是参数多,求解时间过长,模拟精度难以满足工业生产过程的要求,不能实现实时、在线推断。因此开发出一套能自动实时在线检测烧结矿中FeO含量的系统是非常必要的。本文根据一组反映FeO含量的特征,利用模糊C均值聚类(FCM)和BP神经网络相结合的方法来实时预报烧结矿FeO含量。首先,利用FCM算法对断面图像按一定的特征聚类,把聚类结果按有效特征分成3类,将各类输入到BP神经网络中进行训练,得到训练的神经网络。其次,利用训练完成的BP神经网络就可以对未分类烧结矿进行等级预测。此方法能及时调整生产过程中的工艺参数,实现烧结过程的优化控制。最后,对模塑训练和结果预报进行分析和讨论。实验表明,模型预测FeO含量和实验室化验的结果很好的吻合。