磨矿分级过程是选矿生产中的一个重要环节,承担着为后续的选别作业提供合格矿浆的任务,矿浆粒度直接关系到精矿品位和金属回收率,进而影响全厂的经济效益。除此之外,磨矿分级过程也是一个受矿石成分与性质频繁波动干扰的复杂工业生产过程,生产过程中极易发生故障,因此,研究适用于磨矿分级生产过程的过程监测方法对保证生产过程的安全稳定运行及提高生产效率具有重要作用。然而,由于磨矿分级过程存在多变量、强耦合、非线性和时变性等复杂特性,导致其很难建立精确的过程机理模型。因此,现有的基于解析模型的过程监测方法难以对各种故障进行准确监测。随着计算机技术和检测技术在磨矿分级过程中的广泛应用,大量的反应过程运行状态的数据信息被采集并保存下来,因此,基于数据驱动的过程监测方法得到了广泛的关注。本文在现有基于数据驱动的过程监测方法的基础上,针对磨矿分级过程难以建立过程监测模型的问题,对基于无监督域适配的磨矿分级过程监测方法展开研究,具体研究内容如下:（1）首先对磨矿分级过程的工艺流程和工艺特性进行了系统的研究,其次对各种过程监测方法的适用情况进行了总结概括,考虑使用迁移学习的方法建立适用于新过程的监测模型。最后对基于无监督域适配的过程监测方法及相关理论进行详细研究,提出本文的整体研究策略。（2）传统的基于数据驱动的过程监测方法通常要求训练数据和测试数据满足独立同分布的条件,由于生产条件、矿石粒度以及设备结构参数等诸多因素的不断变化,使得新过程的测试数据和旧过程的训练数据分布不同,因此,传统的过程监测方法不能有效的应用于新的磨矿分级过程。由于新过程数据量少,标注信息少,很难直接建立过程监测模型,考虑到,磨矿分级过程是一个传统的复杂工业生产过程,一方面,在长期的发展过程中积累了大量的生产经验和专家知识;另一方面,还有大量的相似生产过程,例如水泥工业中的水泥熟料、火电厂中的煤粉等原料的制备过程,因此,本文考虑采用迁移学习的方法迁移与新过程相似的旧过程的知识帮助新过程快速建立过程监测模型。具体而言,本文提出了一种基于流形分布适配（Distributed Adaptation based on Manifold,DAM）的磨矿分级过程监测方法,为了避免直接在原始特征空间进行特征适配导致的特征扭曲问题,DAM方法首先将旧过程特征空间和新过程特征空间映射到格拉斯曼流形上;其次,在格拉斯曼流形上进行概率分布适配和实例重新加权来减小特征空间的分布差异,利用适配后的旧过程数据建立的过程监测模型能够对新过程进行监测;最后,我们利用公共迁移学习数据集验证了本文DAM方法的有效性和优越性,利用TE过程数集和实际的磨矿分级过程数据集验证了 DAM方法的实用性。（3）随着工艺技术的不断改进,大量的新型仪表、智能仪表和传感技术应用于新的磨矿分级过程,使得新过程采集到比旧过程更多的过程变量,导致新旧过程特征空间维度不同,针对这种特征空间数据分布不同且维度不同的异构问题,本文提出了一种基于无监督异构域适配的磨矿分级过程监测方法。具体而言,该方法包括两个基本步骤,首先通过局部保持投影（Locality Preserving Projections,LPP）将旧过程特征空间和新过程特征空间进行对齐,其次将结构风险最小化和适配正则化统一在同一个框架中,直接为新过程构建一个过程监测模型。最后,在实际的磨矿分级过程数据集上进行仿真实验,验证了提出方法的有效性和实用性。