炉内结渣是影响火电机组和气化工艺可靠运行的关键因素之一，准确及时测量灰熔融温度可提高火电机组和气化炉运行的安全性和经济性。但灰熔融温度测量过程中存在诸多不确定因素，建立灰熔融温度预测方法不仅能验证试验数据可靠性，也可在一定程度上代替繁琐复杂的试验。论述了煤灰和生物质灰的组成、分类方法及异同点，综述了不同氧化物对灰熔融性的影响。阐述了经验公式、机器学习模型、多元相图这3种主要煤和生物质灰熔融温度预测方法，并分析了各类方法的优缺点和适用范围。认为经验公式更适合品种单一且数量较少的煤灰数据集，但不适用于生物质灰熔融温度预测。机器学习模型对煤灰和生物质灰预测效果优良，但建模难度更大，所需训练样本数据更多。基于相图预测灰熔融温度受限于灰熔融性测试方法，预测效果并不优于经验公式和机器学习模型，但对4种典型煤种有较好的预测精度，而生物质灰相较煤灰而言特殊样本更多，能否用于生物质灰熔融温度预测需进一步研究。今后可考虑构建K近邻回归、随机森林等解决回归问题突出的模型，扩充生物质数据库样本，提升预测模型的精度和泛化能力。