在工业生产中,当工况发生变化时,原有的过程模型在新工况下将失去其预测性能。而直接重新建模不仅耗费人力、物力且建模时间长,并导致在此期间生产过程的预测与优化控制难以进行,模型移植理论是解决这一问题的有效方法。浸出作为湿法冶金必不可少的工序在湿法冶金生产中具有重要的地位,研究浸出过程建模与校正问题是理论与实际应用的需要。可见,研究模型移植及其在浸出过程建模中的应用具有重要的理论与实际意义。本文首先以钻矿酸性浸出过程为研究背景对浸出过程的工艺流程做了介绍,给出了浸出过程机理模型,通过仿真实验分析了影响浸出率的主要因素。针对湿法冶金浸出过程工况多变的特点,提出了将模型移植技术应用到浸出过程建模中。然后,对模型移植的可行性、相似性分类及几种典型相似性移植策略做了简要介绍。本文针对实际浸出过程中对工况影响较大的重要工艺参数即矿物粒度,高价矿含量,低价矿含量展开基于模型移植的建模与校正方法的研究。针对单一工艺参数的变化,定义浸出过程的家族相似性并设计移植策略,分别建立了新工况下的静态和动态预测模型。仿真结果验证了方法的有效性。针对多个工艺参数的变化,定义浸出过程的包含相似性并设计移植策略,并将基于集成算法(bagging)的神经网络应用于新模型的建立中。仿真结果验证了方法的有效性。最后,本文对上述模型移植方法的在线应用问题进行了研究,并针对缺乏在线检测信息的情况,提出基于数据挖掘的工况识别方法,从而解决模型移植方法的在线应用问题,仿真结果验证了方法的有效性。