浮选生产过程中,精矿品位是评价矿物质量的重要指标,传统的基于人工离线化验的精矿品位检测方法,时间滞后大,无法实现浮选过程主要工艺参数的在线实时调节。国内外精矿品位在线测量仪表价格昂贵,维护困难。随在线使用时间累积,仪表的敏感元件易老化,精度渐渐无法得到保障,导致浮选过程精矿品位波动大,经济效益差。而软测量技术能够建立精矿品位与浮选工艺中可测变量之间的数学模型,对浮选生产流程的精矿品位进行在线软测量。针对浮选生产流程本身具备的非线性、大滞后、多耦合特性,本文以图像处理技术、支持向量回归方法和智能优化算法为主要研究手段,提出一种浮选精矿品位预测模型。引入四种混合学习策略改进ABC算法,进而优化nu-SVR模型,提高模型预测精度及稳定性。实现了浮选生产关键指标的检测,为控制浮选工艺流程产品质量提供可靠的理论性指导方案。本文所做工作如下:（1）针对直接测量浮选工艺流程关键指标参数困难的问题,提出一种软硬件结合的可行性方案。通过图像处理技术提取影响精矿品位的参数,包括矿物颗粒粒度分布、矿浆平均灰度、熵及纹理粗糙度;利用超声波浓度计和浮球配重探测器实现矿浆浓度和密度的在线分析;同时结合给矿流量、给矿品位参数确定了nu-SVR预测模型的输入输出结构。（2）针对预测模型中的超参数优化问题,提出一种基于混合学习策略的人工蜂群算法（CLABC）。在蜂群个体寻觅食物源的初期,采取混沌映射增强蜜源初始化的随机性和遍历性。通过Levy飞行扰动、分段可调节和学习因子、正余弦算子对ABC算法进一步优化,使得蜂群在觅食行动中具有更强的全局勘探和局部搜索能力。利用CEC2017标准测试集上的基准函数对包括CLABC算法在内的八种算法作对比试验。测试结果表明,本文提出的CLABC算法在搜索速度和收敛性能方面表现优异。（3）针对浮选精矿品位在线检测问题,建立了基于CLABC算法优化nu-SVR的浮选精矿品位预测模型。首先采用3准则对现场采集数据进行预处理,降低异常检测值对预测结果的影响。然后利用CLABC算法优化整改nu-SVR模型的惩罚参数、核函数参数和错误率,依据十折交叉验证均值评估模型结构的最佳参数组合。最后建立了评价指标体系,进一步验证预测模型性能。