准确预测高炉铁水硅含量是有效控制高炉的前提。高炉冶炼过程是十分复杂的物理化学变化过程，而且高炉内部的生产条件非常严酷，通过仪器测得的信息十分有限，所以高炉铁水硅含量的预测属于时间序列预测问题中比较复杂的非平稳时间序列预测问题。 BP神经元网络已经在高炉铁水硅含量的预测方面取得了显著进展，对大部分炉况运行平稳月份的数据预测已取得令人满意的结果。但是对于炉况运行变化剧烈的月份，使用BP神经网络进行预测时结果不尽人意。 本文的研究工作作为辽宁省自然科学基金项目“面向复杂工业对象的预测方法研究”的一部分，主要针对波动炉况建立铁水硅含量预测模型，重点对非平稳时间序列以及波动炉况下铁水硅含量数据的建模与预测方法进行了研究。近年来，随着具有全局最优解和较好泛化能力的支持向量机(Support Vector Machine，SVM)理论的提出，支持向量机也被用于时间序列的预测。因此，对于炉况运行变化剧烈的月份，本文采用支持向量回归机(Support Vector Regression，SVR)作为建立模型的基本工具。在对时间序列进行预测时，一般做法是只建立一个模型。但是对于非平稳的时间序列，实验结果表明，单独建立一个模型的结果并不如平稳时序那样明显，所以本文将分解思想引入到时序预测中。首先对复杂的非平稳时间序列进行分解得到N个相对平稳的分量，然后对这N个相对平稳的分量单独用SVR建模进行预测，最后将得到的N个预测结果进行组合得到最终的预测结果。更进一步地，提出采用经验模式分解(Empirical Mode Decomposition，EMD)和小波分解对波动炉况下的硅含量进行分解建模，通过对比分析，本文所提出的分解建模方法有效地解决了非平稳时序预测及波动炉况下的硅含量预测问题，且基于EMD的模型精度要高于小波分解的模型精度。 本文详细阐述了基于分解思想的非平稳时序及波动炉况下的硅含量建模与预测方法和过程，并指出了不足之处和进一步的工作。