选矿过程是一个将原矿石经过物理／化学变化使有用矿物富集的流程工业过程。通常包括磨矿、焙烧和磁选(浮选)等工序,每道工序加工处理后都有不同的产品质量或生产效率的衡量指标,称为工艺指标,而衡量一天或一个班组整个选矿流程的指标称为全流程生产指标,包括精矿产量、品位以及金属回收率,生产工况条件代表当前设备运行状态和原矿性质等对生产过程产生不同限制的约束指标。建立全流程生产指标中精矿产量和工艺指标的预报模型即建立各个工序工艺指标与综合精矿产量之间关系的数学模型具有重要的实际意义和理论价值。全流程生产指标通常不能在线检测,而化验检测的时间较长,若生产的精矿不能够满足产量、品位以及金属回收率的要求,不能实时调整整个生产过程,需要等到化验结果出来以后再做决策,不能保证整个过程的实时控制。本文建立的模型便于分析工艺指标与精矿产量之间的影响关系,使得工艺技术人员更好的控制与操作选矿生产过程,并为选矿生产全流程的运行优化、提高产品产量打下基础。本文依托国家自然科学基金“动态环境下复杂工业全过程多工序工艺指标闭环优化决策方法”,提出了一种新的自适应混沌粒子群优化算法,有效解决了支持向量机参数优化和特征选择的问题,并将其应用到精矿产量预报模型中；针对选矿的多工况特性,提出了一种基于多模型的产量预报模型结构,并通过现场数据验证了所建立模型的有效性。本文的主要研究工作如下：(1)提出了自适应混沌粒子群优化算法,并将其应用到支持向量机建模中针对粒子群优化算法优化参数和特征选择易陷入局部最优的问题,引入了混沌算子替代原算法进化速度公式中的随机数,提高了其全局搜索能力。同时,为了得到更优的解,当适应度函数在一定代数未发生变化时,在当前最优点的邻域网格内产生网格粒子,以提高算法的局部搜索能力。将这种算法应用到支持向量机建模中,并通过标准问题测试,表明所提方法的有效性。(2)建立了基于最小二乘支持向量机和自适应混沌粒子群优化算法的精矿产量预报模型针对选矿过程涉及复杂的物理化学反应,工艺指标和精矿产量之间难以用机理方式建模的问题,将本文第二章提出的建模方法应用到精矿产量预报。采用自适应混沌粒子群优化算法来优化最小二乘支持向量机的核函数参数、惩罚系数并选择输入特征,有效提高建模的精度和速度。通过对比传统的grid search+PCA,GA+PCA,PSO+PCA和PSO+BPS O等优化方法,表明自适应混沌粒子群优化算法具有更高的精度,从而验证了所建立模型的有效性。(3)建立了基于多模型的精矿产量预报模型针对选矿过程的多工况特性,提出了基于多模型的建模方法。在这种结构中,本文采用了模糊最大相似估计聚类算法,它可以辨识不同空间分布的数据,提高了工况辨识的结果,同时,局部模型结构采用多核最小二乘支持向量机,由于不同的核函数代表不同的映射类型,通过加权核函数,可以辨识更复杂的非线性关系。通过对比传统的TSK模糊模型和多神经网络模型,表明其具有更高的精度,从而验证了这种方法的有效性。另外,本文将多模型的方法和第三章的方法进行了对比研究,结果表明多模型的方法具有更高的精度。