我国作为世界上稀土资源大国之一,在稀土资源的供应方面在国际上也有着举足轻重的地位。但是目前大部分的稀土生产企业由于技术限制,无法对萃取槽体中组分含量的变化实施快速检测,使得组分含量的分布出现偏差时不能及时采取有效手段对工况进行调整,带来了出口产品质量难以实时控制的问题,制约了稀土生产企业经济效益的提升。本论文针对传统稀土萃取过程组分含量软测量方法存在的单一机理模型精度不高、单一数据模型建模过程不透明的缺点,提出了一种基于数据驱动补偿的稀土萃取过程组分含量混合建模方法。本文主要研究内容如下:首先建立稀土萃取过程机理模型。通过分析Ce Pr/Nd串级萃取分离流程,使用分段集结简化方法对流程进行简化以降低机理模型的维度,简化建模的过程并降低模型计算量。基于物料平衡原理逐级建立简化之后流程的机理模型,并使用递推最小二乘法对机理模型的参数进行辨识,实现组分含量的检测。鉴于上述机理模型在建模过程中设定了诸多假设条件以规避噪声的干扰,因而在实际使用中不可避免的存在偏差,本文使用数据驱动的模型对机理模型产生的误差进行补偿。由于稀土离子具有特殊结构,不同组分含量的稀土离子溶液在可见光的照射下会表现出不同的颜色特征,利用颜色特征和组分含量之间的联系建立基于随机森林算法（RF）的误差补偿模型,结合机理模型和误差补偿模型得到组分含量检测混合模型。针对数据补偿建模过程中的小样本问题,提出了一种基于生成对抗（GAN）思想的数据集增强方法。利用KMeans-Smote算法对数据补偿模型的数据集进行拓增,采用随机森林判别器对拓增数据是否符合真实数据分布进行判断,根据拓增后的数据集得到基于数据拓增方法的稀土萃取过程组分含量检测混合模型,进一步提升了混合模型的检测精度。综上所述,基于数据拓增方法的混合模型对Ce Pr/Nd萃取过程组分含量变化有较好的跟踪性能,满足生产现场的组分含量变化检测要求。