湿法冶金是一种处理低品位矿石和复杂矿石且比较环保的冶金方法。固液分离是湿法冶金中浸出和置换过程中的中间环节,扮演着重要角色。浓密机是固液分离过程中的主要设备,该设备造价成本昂贵,结构复杂。在实际生产现场,由于浓密洗涤工序比较复杂,浓密机的生产环境恶劣,存在诸多干扰因素,导致浓密机故障频发,甚至造成“跑浑”、“压耙”等故障,造成巨大的人力物力损失。因此,湿法冶金浓密洗涤过程中故障监测与诊断具有重要意义。本文以山东黄金某选矿厂湿法冶金浓密洗涤过程为背景,对湿法冶金浓密机底流管道进行故障诊断。本文首先通过支持向量机（SVM）算法建立浓密机底流管道堵塞故障监测模型,对浓密机底流管道是否发生堵塞进行监测。支持向量机（SVM）是一种机器学习算法,在解决非线性、小样本和高维模式识别问题方面具有以往机器学习方法无法比拟的优势。建好监测模型后,采用粒子群算法（PSO）对已建立的监测模型进行参数（核参数及误差惩罚参数）优化,达到了更好的监测性能。引起浓密机底流管道堵塞的原因主要划分为三类,为了更进一步诊断堵塞故障原因,本文建立浓密机底流管道故障诊断模型,对堵塞故障进行诊断,得出故障原因及故障类型,以便采取针对性措施。通过采用随机森林算法建立故障诊断模型,随机森林算法能够很好地容忍噪声和异常值,抗干扰能力强,训练过程中不会出现过拟合现象等特点。建好故障诊断模型后,采用粒子群算法对该诊断模型进行参数（随机森林决策树棵数及生成一棵树所随机选取的属性特征数量）优化,达到了满意效果。最后,为了更好的对生产现场的浓密洗涤过程监测进行指导,利用Visual Studio C#和SQL Server数据库建立了湿法冶金浓密机底流管道运行监控与诊断平台,对浓密机底流管道在线监测,并通过相关仿真分析验证了该平台的实用性。