磨矿过程是选矿作业中一个关键而又复杂的环节,其磨矿粒度的品质关系到后续冶炼金属的品质、金属的回收利用率等各方面。但传统仪表难以满足磨矿粒度在线检测的要求。为保证高效而稳定的磨矿粒度,仅凭借工人经验无法满足实际需求。因此,磨矿粒度的在线检测和磨矿过程的综合优化为本文研究的主要问题。首先,建立基于神经网络的磨矿粒度软测量模型。通过人群搜索算法优化神经网络算法权值。考虑到磨矿软测量的实际需求,论文对人群搜索算法的搜索步长进行改进,优化了隶属度函数的计算。同时,采用二项交叉算子优化算法位置的更新,提高了种群多样性。通过以上改进,提升了人群搜索算法寻优速度。仿真结果表明,软测量算法能更快的确定神经网络模型,满足磨矿粒度在线软测量的要求。其次,解决磨矿过程综合优化问题。论文中把优化问题转换成参数辨识问题。采用松弛算法辨识磨矿综合优化模型。并对松弛算法在理论上进行无偏性和有效性的证明。由于松弛算法只适用离线辨识,为保证模型参数在线修正,避免出现数据冗长的问题,本文推导了递推松弛算法。仿真结果表明,该算法能够在多输入多输出模型中快速准确地在线辨识出有效的参数。最后,将磨矿软测量算法和综合优化算法在磨矿半实物仿真平台进行验证,包括数据的采集,磨矿算法封装,辨识算法仿真,对比优化结果。验证结果表明,本文的磨矿粒度软测量与综合优化方法是可行的。