浮选生产过程中的精矿品位与回收率的在线预测对提高浮选生产质量及优化生产流程有重要意义。由于浮选机理复杂,浮选过程存在着非线性和大滞后、且由于生产环境恶劣,昂贵的测量仪器无法长期稳定工作,直接对回收率和精矿品位进行在线检测具有一定的难度,因此采用软测量技术,借助浮选过程中与精矿品位和回收率之间存在联系的辅助变量来建立数学模型,是实现浮选精矿品位与回收率的实时在线预测的有效途径。本文以浮选数据预处理、支持向量机软测量建模和改进智能优化算法的浮选模型优化技术为主要研究内容,构建了浮选预测模型,解决了浮选精矿品位与回收率的在线预测问题,为浮选的生产过程控制提供理论指导。(1)针对于浮选生产过程的影响因素,本文采取主元分析法(PCA)对主要的影响因素进行主元提取,提取三个主要影响参数。通过PCA与归一化对数据进行处理,降低数据的维度,来提高模型的预测精度。(2)本文选择支持向量机作为预测模型,支持向量机利用输入与输出之间的关系,建立连续的函数映射,通过不敏感损失函数与惩罚函数对样本数据进行拟合,再通过核函数进行映射,最终建立回归预测模型。(3)通过对人工鱼群算法(AFSA)进行改进,改进人工鱼群算法的视野和步长,使其具有自适应的视野及步长。利用典型函数进行仿真分析,结果表明,改进后的人工鱼群算法具有更好的收敛速度与收敛精度。通过改进的人工鱼群算法对支持向量机的影响参数进行寻优,使模型具有更高的预测精度与预测速度。预测结果表明,基于改进人工鱼群算法的支持向量机模型具有较好的预测速度与预测精度,其中精矿品位的误差分布在±0.24%之间,回收率的误差分布在±0.18%之间,因此本文所提出的预测模型具有较好的预测能力。