在转炉炼钢过程中，钢液成分的准确判定是出钢的关键环节。 目前主要是依靠生产经验判断是否到达冶炼终点，同时对钢液取样分析。 这种方式不仅限制了生产效率，还受到了工人经验的影响。 为减少人为经验的影响，提出了一种基于灰狼优化算法和重要特征改进的随机森林模型。 以某钢厂 120 t 转炉为研究对象，选取铁液质量、废钢比例、吹炼时间、铁液中 Si、Mn、P 含量、铁液温度、转炉操作参数以及氧气、氩气、氮气消耗量等多维特征作为输入变量，实现了对终点钢液中 C、Si、Mn、P、S 等元素含量的实时预测。 基于 1783 组实际工艺数据对模型进行了训练与动态修正，通过超参数调优将预测时间缩短至 0.1~0.3 s，预测准确率超过了 90%。 模型在提升泛化能力与预测稳定性的同时，实现了钢液成分的快速预报，有效降低了人为干预对终点判断的影响。