磨矿过程是选矿工艺中很重要的一环,磨矿产品的粒度是磨矿工艺的一个重要指标,粒度检测的方法较多,为适应选矿自动化发展的需求,发展出了多种较为先进的粒度检测方法技术,如激光检测、超声检测、图像识别、软测量法等。但由于这些方法存在一些局限性或不足,这些方法均未在工业上大规模应用,因此也制约了选矿自动化水平的提高。针对目前国内在粒度检测方面的这一现状,本文对磷矿磨矿过程中的粒度自动检测技术进行研究,提出了一种基于光散射的磷矿粒度分析检测方法,此方法结合激光检测和人工神经网络,利用激光检测磷矿矿浆在不同浓度下的透射光强度,得到样品透射光强和浓度的曲线,并从曲线中提取光散射特征参数,采用人工神经网络建立特征点与样品粒度分布之间的反演模型。围绕该问题,本文针对如下几点进行了研究:(1)首先针对磷矿浆的光散射,分析相关的理论,探讨了一定粒度分布的磷矿样品在不同浓度下透射光强与粒度分布之间存在关系。(2)针对实际需要,设计相关的数据采集装置。对数据采集装置的光源、光电探测器、AD转换模块和循环泵进行了选择,确定使用650nm波长的激光、硅光电探测器、24位高精度AD转换器和隔膜泵;对于搅拌槽和测试皿,采用AnsysFluent软件来对其中的矿浆流态进行模拟,最终设计出较为合适的搅拌槽和测试皿。(3)利用本文所述的数据采集装置对宜昌地区的不同粒度分布的磷矿浆在低浓度不同浓度下的光散射强度进行了实验,确定了不同粒度分布的磷矿样品浓度-透射光强度曲线所存在的差异性。(4)利用BP人工神经网络建立浓度-透射光强度曲线特征参数与粒度分布之间的反演模型,并用实验数据验证神经网络建立的模型的精确性。根据上诉研究内容得出以下结果:(1)采用神经网络建立的模型较好预测了粒度分布,因此确认磷矿样品不同浓度下透射光强曲线与粒度分布之间存在关系。(2)利用BP神经网络建立的粒度反演模型可以较好的通过光散射特征值反推出样品的粒度分布。