转炉的炉衬在炼钢的过程中，直接与钢水、炉渣和炉气接触，不断受到物理的、机械的和化学的侵蚀作用，这将降低炉龄，给生产带来损失。因此，炉衬的连续检测工作对炼钢生产有着极其重要的作用。为了延长炉衬寿命，提高转炉的生产率，降低钢铁生产的总成本，一直以来，国内外都是采用激光测距的方法来测量炉衬表面起伏，掌握炉衬侵蚀情况，以便及时维护和修复。这里我们提出了一种基于数据融合的多模型测厚系统。 本文研究的重点主要包括，数据融合的多模型测厚系统的整体设计、图像处理测厚系统的设计及多源图像融合处理研究三部分。通过对图像处理技术的综合应用及对研究对象本身特点的详细考察，最终实现了基于炉内火焰边缘检测的几何测厚算法，在图像预处理阶段我们综合运用了灰度变换、图像二值化、图像锐化、边缘检测、轮廓提取等处理技术，为最终的测厚处理奠定了良好的基础。为了在图像处理之前得到更精确的图像，我们提出了对多源图像进行融合处理的方法。在详细研究了图像融合的常用算法的基础上，提出了一种基于BP神经网络对图像进行分类，再对分类后的图像采用区域特征进行融合的算法。实验表明取得了较好的融合效果。 本系统提出一种全新的钢炉炉衬测厚方法，系统的实现将使检测率有所提高，同时该方法也对工业中其它的高温检测提供了一种可行的方法，因此系统具有一定的通用性。