全尾砂深度浓密是全尾砂膏体充填工艺的首要环节,是实现膏体充填的前提条件,是矿山连续充填开采的有利保障。当前全尾砂深度浓密行为的研究集中于颗粒絮凝、絮团结构变化、剪切排水等方面,而影响浓密行为的因素缺乏全面考虑,不同因素对深度浓密效果的影响机制尚不明晰,受限于特定矿山数据的深度浓密数学模型普适性低,限制了全尾砂膏体充填在矿山的推广应用。因此,本文在大量模型试验以及工业试验的基础上,综合利用理论分析、微观试验、人工智能算法、数值模拟和现场试验等手段,在理清全尾砂深度浓密行为的影响因素及规律的基础上,揭示了全尾砂深度浓密行为演化机理,建立了全尾砂深度浓密智能预测模型。主要研究成果如下:（1）通过理论分析、室内动态沉降和半工业动态沉降试验,掌握了36个矿山的全尾砂深度浓密试验参数,提出了以全尾砂物理性质（松散密度、真密度、孔隙率、粒径级配）、给料参数（给料速度、稀释浓度）、泥层高度为影响因素,剖析了各因素与浓密机底流浓度、屈服应力的定性关系。（2）基于全尾砂沉降-浓缩行为理论,建立了以粗颗粒出露状态、絮团尺寸、絮团紧实度及结构体孔隙率为指标的全尾砂浆细观结构半定量评判体系;结合室内静/动态沉降试验,扫描电子显微镜和CT扫描技术,揭示了全尾砂密度、粒径级配、泥层高度与评判指标的动态演化规律。（3）基于多因素条件下的全尾砂浓密试验结果,运用先进的人工智能技术,以底流浓度和屈服应力为输出因子,堆密度、真密度、孔隙率、粒径级配、不均匀系数、曲率系数、稀释浓度和给料速度为输入因子,提出了基于粒子群（PSO）-梯度提升机（GBM）算法的全尾砂深度浓密智能预测模型,并通过局部依赖图和重要度得分分析,量化了各影响因素的权重分布,实现了全尾砂浓密行为的精准预测。（4）建立了基于COMSOL Multiphysics软件的深锥浓密机全尾砂深度浓密数值模型,探明了不同全尾砂密度、粒径级配及泥层高度条件下,全尾砂在深锥浓密机中的深度浓密规律,构建了浓密机底流平均体积分数与泥层高度的数学关系模型。（5）将智能预测模型应用于湖南某金矿的全尾砂深度浓密行为预测,并开展了深锥浓密机工程设计。通过对该矿充填系统运行状态进行监测,发现底流浓度预测值与应用结果的误差2.24%,监测周期内最大工作扭矩315000 N·m,扭矩百分比为28%,符合一般深锥浓密机设计要求,验证了全尾砂深度浓密智能预测模型的精确性。论文中有图105幅,表27个,参考文献205篇。