污泥热解气化在资源回收方面优势显著，但运行中产生的SO2等废气制约了该技术的推广。精准预测废气排放并优化工艺参数，是提升其应用价值的关键。本研究基于某工厂连续45天的分钟级运行数据（共64 801条、106维），构建了一种融合历史过程与未来工况的时序预测框架，系统对比了极端梯度提升（XGBoost）、梯度提升（CatBoost）、非线性模型（NLinear）及时域融合变换（TFT）等模型的预测性能，并结合模型可解释性分析（SHAP）与累计局部效应（ALE）可解释方法解析了工艺机理。结果表明，融合动态特征与滞后效应的时序框架能显著提升复杂工业过程的建模精度。在所有模型中，CatBoost表现最优，决定系数（R2）达到76.5%，较未引入时序框架的截面模型（R2=22.5%）有大幅提升，同时平均绝对误差（MAE）降低了50.36%，表明该框架能有效捕捉复杂工业的动态变化与滞后影响。此外，研究还揭示了气化炉出口温度、燃烧炉炉内温度等关键因素对SO2排放的非线性影响，并提出将蒸汽压力、气化炉出口温度和燃烧炉炉内温度分别控制在0.28～0.30 MPa、100～160℃和800～900℃区间，可在提高资源回收效率的同时有效控制SO2排放。本研究为废气精准预测与工艺优化提供了数据–机理融合的解决方案，也为其他工业过程调控提供了方法论参考。