泡沫浮选广泛应用于矿物分离。精矿品位是泡沫浮选过程的重要质量指标,然而目前多数浮选工厂都是通过离线化验得到精矿品位,离线化验需要较长时间,导致调节滞后。为此,本文研究如何建立准确的精矿品位预测模型,为实现浮选过程的优化控制提供指导。论文在对浮选机理深入分析的基础上,分别建立了精矿品位与回收率的关系模型以及回收率的机理模型,从而实现精矿品位的机理预测。尽管该机理模型能够较好地反映工业过程,但由于做了较多的简化和假设,模型预测结果误差较大,其预测精度不能满足工业需求,为此基于泡沫图像特征探讨了精矿品位的数据建模方法。文中,简单介绍了泡沫图像获取系统结构,给出了浮选槽表面泡沫各种图像特征的获取方法,并对获取到的泡沫图像特征数据进行了异常点去除和小波去噪等预处理,建立了以泡沫特征数据为输入的B样条偏最小二乘(B Spline Partial Least Squares, BS-PLS)精矿品位预测模型。考虑到该数据模型能够取得较高精度,但其泛化能力较差,预测结果不稳定,而机理模型有较好的泛化能力,故采用信息熵的方法将机理模型与数据模型集成,建立了精矿品位预测的集成模型；为保证模型预测精度,采用滑窗滚动方法更新两个单一模型的参数和集成模型的权值,且用集成模型偏差对输出进行了修正。基于工业现场数据进行仿真验证,仿真结果表明,集成模型的预测结果要优于两个单一模型,满足工业应用中的精度和稳定性要求,为建立优化控制系统提供可靠依据。