En el proceso de fundición en un alto horno, la estabilidad del estado térmico del hogar es esencial. Según el análisis del contenido de silicio en el metal caliente y su tendencia de cambio, se puede juzgar el estado de operación del alto horno para garantizar un funcionamiento estable y fluido del mismo. Basado en la red neuronal de retropropagación de errores (BP), se utiliza el algoritmo de polinización de flores (FPA) para optimizar el peso y el umbral de la red neuronal BP, y se establece el modelo de predicción del contenido de silicio. Al mismo tiempo, se utiliza el método de análisis de componentes principales para reducir la dimensión de la secuencia de entrada y obtener indicadores relevantes. Los indicadores relevantes se utilizan como entrada, y el contenido de silicio en el metal caliente se utiliza como salida, que se sustituye en el modelo para el entrenamiento y se utiliza el modelo entrenado para predecir. Los resultados muestran que la tasa de aciertos del modelo de predicción es un 16% más alta que la del modelo de predicción BP no optimizado. Al mismo tiempo, los indicadores de evaluación y la velocidad de operación del modelo mejoran en comparación con el modelo de predicción BP, lo que puede aplicarse de manera más precisa para predecir el contenido de silicio del metal caliente.