选矿摇床是一种流膜重力选矿设备,是钨、锡选矿的关键分选设备,在选矿工业中获广泛地应用。目前,选矿摇床控制参数的调整大部分依赖技术经验丰富的操作工人去完成,通过观察矿物分带特征,调整床面坡度、冲洗水量等控制参数以保证选矿摇床处于最优的分选状态。由于不同工人技的术水平、经验和责任心不一致,对分带的判断和控制参数的调整会产生差异,容易造成摇床选矿效率和指标的波动。针对以上问题,本文利用机器视觉和机器学习技术,替代人工对摇床的分选状态进行客观准确的判断,并构建分带特征与控制参数的关系模型,研究相应的寻优方法,获得摇床的最优控制参数组合,以保证摇床分选效率的最大化,从而实现摇床控制参数的优化。准确而多尺度地提取分带特征以判定摇床分选状态是实现摇床分选状态实时监测的重要基础。为此,本文比较了各类边缘检测和语义分割等算法对摇床矿物分带的识别效果、精度进行评价和分析,最终采用了基于Deep Lab V3+的深度学习语义分割模型对分带图像特征进行提取的方法,本方法对从工业中取得的图像样本进行识别,结果证明本方法准确有效。摇床的控制参数包括“横向冲洗水、床面横向倾角、冲程、冲次”等,根据已有经验,冲程、冲次的选择与矿物的粒度和比重性质有关,对于相对固定的某种矿物,影响摇床选矿效率的主要是“横向冲洗水、床面横向倾角”两个控制参数,所以本文主要研究摇床的“横向冲洗水、床面横向倾角”两个控制参数对分选的影响。通过在实验室搭建选矿摇床试验系统进行矿物分选试验,针对试验采集获取的数据样本,我们首先采用基于麻雀搜索优化的支持向量回归（SSA-SVR）算法构建了控制参数与分带特征的关系模型,随后在试验系统又进行了某钨矿的选矿试验,利用获取的数据样本,构建了基于（SSA-SVR）的分带特征与选矿效率关系模型,经仿真验证,精度可靠。最后提出了一种基于最大选矿效率的摇床多参数组合渐进寻优方法,借助以上模型进行仿真模拟,成功获得了最优控制参数组合,优化结果证明了优化方法的可行性。本文的研究成果为摇床生产的智能化控制及智能摇床的开发打下了基础,将本研究成果与摇床的自动控制系统进行集成,将可开发出选矿指标可控、分选效率最大化的智能选矿摇床。