作为提取冶金的两大技术之一,湿法冶金的显著优点在于原料中有价金属综合回收程度高、有利于环境保护、生产过程较易实现连续化和自动化,因此更适合低品位矿产资源的回收利用。浸出过程是湿法冶金核心的操作单元。尽管湿法冶金浸出过程的工艺水平已经非常先进,但浸出生产过程的自动化程度还停留在离线分析、经验调整、手动控制的水平,导致整个湿法冶金企业生产效率低、资源消耗大、产品质量不稳定,已经成为制约湿法冶金工业发展的瓶颈。本文针对湿法冶金浸出生产过程中浸出率在线检测的难点,利用机理建模与数据建模相结合的混合建模方法,全面系统地开展了湿法冶金浸出过程浸出率预测的研究。本文还针对浸出过程有多个优化目标的特点,在混合模型的基础上,建立了浸出过程多目标优化模型,并提出了解决这个多目标优化问题的改进算法。本文的主要研究工作归纳如下：1.从浸出过程的动力学基本原理出发,研究以二氧化硫做还原剂的钴矿酸性浸出过程。基于物料及能量平衡关系,提出了该过程的动态机理模型。利用实验分析、辨识等手段确定了模型的主要参数,并用实际数据对模型分别进行了动态和静态实验,验证了模型的有效性及泛化性。同时,通过仿真实验分析了主要因素对浸出率的影响。该动态机理模型为混合模型的建立和过程优化奠定了基础。2.针对动态机理模型在工业现场难以直接应用的难题,提出两种有效的混合建模方法建立浸出率的预测模型。一种是基于改进负相关学习Bagging算法的浸出率误差补偿混合模型。该模型由机理模型与误差补偿数据模型并联组成,因此能够充分发挥不同建模方法的优点。另一种是基于二进制PSO的选择性Bagging的多模型浸出率混合模型。该方法利用Bagging思想,有效地将数据模型与机理模型相结合,提高数据模型精度,克服了单纯机理模型参数获得不够准确以及单纯数据模型缺乏工艺指导的不足。通过仿真实验,验证了上述两种混合建模方法的有效性。3.针对浸出生产中存在的多目标问题,基于混合模型,一个动态浸出问题被转化为带约束的多目标优化问题。随后,提出了一种基于两阶段领导的多目标粒子群算法。算法包含四个改进策略,基于强支配排序与拥挤距离排序相结合的构造外部集策略；基于两阶段的领导粒子选择策略；基于高斯分布及均匀分布相结合的变异策略；基于邻域认知的个体极值更新策略。通过几个典型的多目标测试函数对算法的性能进行了测试,并与多目标优化算法Sigma和MM-MOPSO进行对比。结果表明,算法具有良好的搜索性能。应用提出的优化算法解决浸出过程多目标优化问题,获得了比Sigma多目标算法更好的解空间。4.以某钴矿湿法冶金工厂的浸出工段作为具体研究对象,由于原有生产条件自动化水平较低,因此首先需要设计基础自动化系统,采用了由过程执行层、过程控制层和过程优化层构成的三层体系结构。在基础自动化系统的支持下,以上述理论研究为基础,设计并开发了浸出工段的预测及优化操作系统软件,实现了浸出过程浸出率预测,并为该过程提供优化操作指导。将软件实际应用于某钴矿湿法冶金工厂的浸出工段,取得了较好的经济效益。