摘要：研究针对电渣重熔流程提出了一种基于互信息法（MI）和XGBoost的电渣重熔终点磷含量预报模型，利用互信息法对影响终点磷含量的因素进行特征选择与特征评估，特征选择后的数据集作为模型的输入变量。建立MI-XGBoost模型对生产数据进行训练及验证，利用网格搜索交叉验证对模型结构调整和超参数优化，并与MI-RR、MI-RF、MI-GBDT和MI-KNN模型进行横向对比，结果表明，MI-XGBoost模型具有最高的预测精度，MI和GridSearchCV的加入提高了模型预测性能和拟合能力。通过对于测试集的验证，MI-XGBoost模型的R2、平均绝对误差、解释方差分数和最大误差的数值分别为0.8894、0.0004、0.8972和0.0041，均优于MI-RR、MI-RF、MI-GBDT和MI-KNN模型。MI-XGBoost模型实现了终点磷含量的有效预测，为电渣重熔流程终点控制和判断提供了很好的参考，为实现电渣重熔过程智能化提供了一个新思路。且Nb含量的增加，可降低试验钢中铁素体体积分数，提高其显微硬度。研究结果证实了添加Nb对螺纹钢产品的组织性能有显著影响。关键词：电渣重熔;互信息法;XGBoost算法;磷含量;机器学习;