实现对加热炉炉温的精准预测以便于采用精确的控制策略对加热炉的燃烧进行优化控制，是冶金企业中燃烧装置优化控制的核心问题。现阶段少有研究关注加热炉内所有加热区的温度预测以及神经网络在炉温预测方面的适用性难题。针对此问题，提出基于迁移学习和知识蒸馏的炉温预测方法。该方法首先建立基于时间卷积网络的源域温度预测模型，然后采用生成对抗损失进行域自适应来完成模型迁移，实现所有加热区温度的准确预测。进一步建立基于多任务学习的蒸馏网络，该网络通过教师辅助学生的方式来解决深度迁移网络延时高的缺点。实验结果表明，提出的迁移学习网络可以明显提升炉温预测的准确性，蒸馏网络可以明显减少网络参数，极大的提高炉温预测时效性。