泡沫浮选法是一种利用矿物颗粒表面物理化学性质差异,实现不同矿物有效分离的选矿方法。近年来随着图像处理技术和计算机技术的不断发展,机器视觉技术已大量地应用于矿物泡沫浮选过程。通过图像分割、颜色提取和波纹分析等方法可以提取大量的矿物浮选泡沫特征。但由于泡沫图像特征提取方法繁多,同一特征可由多种机器特征描述,且特征之间存在非线性联系,在软测量、故障诊断等模型中易导致信息冗余,因此迫切需要维数约简,以降低泡沫特征的复杂度,识别关键泡沫特征。以往研究中重在实践经验判断关键特征,而本文试图在人工智能理论上,通过机器学习工业大数据解决该问题。针对以上问题,本文提出了一种基于稀疏化神经网络的泡沫图像特征选择方法,以解决矿物品位回归问题的特征选择。并进一步针对复杂工业过程中存在的测量扰动和人工误差问题,建立鲁棒稀疏化神经网络。同时利用支持向量机测试输入样本不同特征组合效果,对比各特征子集得到浮选过程最优特征组合。具体研究内容如下:1、针对浮选工业过程复杂不利于直接测量的问题,以泡沫浮选的专家经验为基础选择浮选指标的相关特征,利用机器视觉技术对采集到的泡沫图像数据进行特征提取,同时利用数理分析软件对提取得到的特征数据集进行相关性分析,为下一步识别关键特征提供数据支持。2、由于现有的泡沫图像特征提取方法繁多,提取得到的特征也各有不同,因此利用泡沫图像特征进行建模的过程中易导致信息冗余。通常的做法是先利用专家经验进行主观分析,然后提取得到需要的特征。本文提出了一种稀疏化神经网络方法,利用更为贴近实际工业过程非线性特点的神经网络模型作为损失函数,并加入L_2,1范数约束以起到特征选择的效果,并采用近点梯度法计算最优解,通过对第一层权值的综合排序得到特征选择子集。最后,利用支持向量机测试输入样本不同特征组合效果。3、由于测量扰动和人工误差等原因,工业测量数据中往往掺杂着一些不良扰动。因此,在原始稀疏化神经网络的基础上,加入鲁棒性约束,同时针对稀疏项为非光滑函数不利于求解的问题,通过引入平滑项,对目标函数求解进行优化,降低算法复杂度。最后将原始稀疏化神经网络与鲁棒稀疏化神经网络进行比较,验证该方法的抗干扰能力。为了降低建立浮选泡沫图像回归函数模型的复杂度,提高模型预测精度,本文在稀疏模型的基础上,提出了针对非线性回归问题的稀疏化神经网络特征选择方法。经过真实数据仿真实验,该类方法能有效处理非线性问题,更好的保留了数据特性,能够更加有效的处理工业实际过程的特征选择问题,有利于图像处理和机器视觉在工业实践中的应用。