灰渣黏温特性直接决定着气流床气化炉排渣能否顺利，在灰渣黏温特性预测方面，由于黏度与灰渣组成呈复杂的非线性映射关系，目前尚无成熟的预测模型。选择40种不同灰成分的煤样，利用高温旋转黏度计测定灰渣黏温特性，同时考查了连续降温法与阶梯降温法的异同和不同降温速率对连续降温法测定结果的影响;对测得的灰渣黏温特性作图，整理得到灰渣黏温特性的特征值:包括1400℃、1600℃下的黏度值（记作η1400和η1600），5Pa·s、25Pa·s对应的温度值（记作T5和T25），对于非玻璃体渣，还包括临界温度(Tcv)和临界黏度(ηcv);在这些数据的基础上，采用灰色关联分析法，计算灰渣组成与灰渣黏温特性特征值的关联度，考查灰渣组成对灰渣黏温特性的影响;依托Matlab软件建立灰渣的渣型分类和灰渣黏度预测的神经网络模型，并对模型进行了检验。研究表明:　　(1)降温速率为2℃/min的连续降温法与阶梯降温法的测定结果接近，且随着降温速率的增加，黏温特性曲线呈向左移动趋势，这可能是由于灰渣中晶体的析出需要一定的时间，当降温速率过快时，灰渣实际温度和黏度变化呈现滞后而引起。　　(2)对于玻璃体渣:酸碱比和硅铝比对η1400和η1600影响最大，SiO2和Al2O3对T5和T25影响最大，说明控制酸碱比、硅铝比、SiO2和Al2O3含量十分重要;对于非玻璃体渣，各组分及特征参数对η1400、η1600和ηcv的影响没有一定的规律性，而SiO2和Al2O3对T5、T25和Tcv的影响最大。　　(3)包含P2O5和MnO和不包含P2O5和MnO的渣型分类模型的预测准确度均高达90％，说明P2O5和MnO对渣型预测基本无影响;玻璃体渣的黏度预测模型精度较高，而非玻璃体渣的黏度预测模型精度则很低。