当前,是我国实现全面建成小康社会的关键时期,随着社会经济的持续快速增长和现代化工业水平建设的不断提高,对矿场资源尤其是有色金属资源的需求不断加大,而资源的严重短缺,使得我国可持续发展战略正面临着严重挑战。湿法冶金技术在矿产资源的处理中发挥着重要作用,不仅可以处理复杂的矿石和低品味矿,而且排放的废物对环境产生的污染少。浓密洗涤过程是湿法冶金技术中重要一环,浓密机的底流浓度不仅影响着底流品和后续工序产品的质量,而且是企业安全稳定运行的重要保障。在实际生产中,浓密机的底流浓度通过工人的操作经验进行控制与检测,实现自动控制一直尚未解决。新时代,在我国可持续发展的战略方针指导下,如何通过优化控制技术实现金属矿产资源的高效、低成本开发利用,是我国湿法冶金技术发展面临的一道难题。针对湿法冶金浓密洗涤过程中底流浓度难以在生产过程中检测,本文通过分析浓密机内部矿浆的沉降原理和过程特性,并结合人工智能算法在工业生产过程中的成功应用,分别建立了反映生产特性的机理模型和数据驱动的数据模型,最终确立了并联结构的机理模型与数据补偿模型混合建模方法,开展了浓密洗涤过程底流浓度软测量的研究。本文主要从以下三个方面开展研究工作:（1）从浓密洗涤过程的矿浆沉降原理出发,在传统机理模型分析的基础上建立了浓密洗涤过程矿浆浓度分布的模型,采用递推最小二乘法（Recursive Least Squares;RLS）对模型的关键变量参数辨识,运用伯努利原理实现数据变量的转换。通过模拟浓密机生产过程的工况变化,对浓密洗涤过程特性有了进一步了解,从而找出了影响浓密洗涤过程的主要因素,进而确定了建立数据模型和混合模型的辅助变量;（2）针对极限学习机（Extreme Learning Machine;ELM）基本算法的网络参数值是随机初始化的,ELM的网络结构是根据研究者的实际经验进行确定的。本文将对传统ELM结构进行改进,在此基础上,增加两个隐含层到网络结构中构成一个输入层,三个隐含层,一个输出层的网络结构。在具备完善的三层极限学习机（Three hidden layers Extreme Learning Machine;TELM）的基础上,通过对现场数据的预处理工作,建立了基于TELM算法的数据模型,并对预测效果进行了分析和研究;（3）针对动态机理模型和单一的数据模型测量精度在实际应用中难以满足工业需求,建立基于机理建模与整体分布优化算法（Entire Distribution Optimization;EDO）改进的三层极限学习机（TELM）误差补偿模型相结合的混合模型软测量方法实现对底流浓度的精准测量。混合模型实现了用改进的EDO-TELM算法补偿器,补偿机理模型在建模过程中不确定部分和理论假设条件,并给予了合理的估计。通过与机理模型、数据模型的仿真预测输出结果比较,混合模型的预测精度得到了明显的提高,能够适应工业现场的测量需求。