摘要：烧结矿FeO含量是烧结工序的一项重要质量和能耗指标，也对高炉冶炼有直接影响。针对目前化学检测法检测烧结矿FeO含量时存在较长时间滞后的现状，本文提出了一种时域卷积网络(TemporalConvolutionalNetwork，TCN)与密集连接卷积神经网络(DenselyConnectedConvolutionalNetwork，DenseNet)混合的烧结矿FeO含量预测方法。首先采用TCN建立烧结矿FeO含量的时间序列预测模型，同时采集烧结机尾断面红外图像，采用DenseNet建立烧结矿FeO预测模型，通过自适应加权平均方法将两者的输出结果进行整合，获得最终的烧结矿FeO含量预测值。针对烧结矿层断面红外图像的特征，对DenseNet进行了添加注意力层、修改卷积块结构，并修改了浅层卷积层大小和步长等改进措施。在国内某钢铁公司的大型烧结机的实际生产数据上对模型进行了验证，经过数据处理、模型参数优化等操作后，本文所提的TCN－DenseNet混合模型的烧结矿FeO含量预测在测试集绝对误差±0．4%以内命中率可达94．34%，均方根误差为0．21，优于单独使用TCN或者DenseNet进行建模时的预测效果。该方法对提高烧结矿FeO含量预测的准确性和稳定性效果显著，可以为烧结现场的生产操作提供数据支撑。 关键词：烧结;FeO含量;复合预测模型;..