激烈的市场竞争和日趋苛刻的企业生产经营环境，使选矿厂越来越重视基于实际生产数据的建模研究成果的实际应用。应用这些理论和方法揭示实际生产数据之间的复杂关系，并建立相应的模型，已成为当今发达国家的研究热点之一。 神经网络技术以较少的实验工作量，建立高精度的变量间的非线性映射模型。利用神经网络BP模型可建立各种指标与影响因素之间的非线性映射，建立起来的网络模型反映了变量之间的相互关系，有较好的预测效果。然而，由于生产数据的相关性、非线性建模本身的复杂性和应该作为网络自变量的选厂工艺参数量化数据的缺乏等，建立实用的选厂数学模型，是一项复杂和难度较大的工作。 在应用BP网络建立选矿厂数学模型时，理论上要求作为BP网络的输入变量之间或输出变量之间应是线性无关的，而选矿厂数学建模中，输入变量之间或输出变量之间往往存在着一定的相关关系，这对建立高质量的模型设置了一定的障碍。另一方面，在应用BP网络进行预测建模时，输入变量过多，也会导致建模效率下降。针对这两个问题，利用SPSS的主成分分析法与BP网络相结合，解决了输入、输出数据的相关性问题，并从根本上降低神经网络的规模，提高神经网络的泛化能力，可大大提高建模质量。 基于神经网络的选矿数学模型在选矿生产中的应用虽已初露端倪，但一般还只用于预测选矿效果，很少用于指导选矿现场。SPSS的均值比较从选矿历史数据本身出发，寻找精矿品位和回收率达到某一较佳的组合时可能的黄药用量、2~#油用量的组合，用于指导选矿现场的药剂用量，以其提高选矿效益。 本文采用SPSS统计分析软件与神经网络相结合进行选矿厂数学建模，提高了选矿厂数学建模的质量，丰富了神经网络的内容；同时使选矿厂数学模型不再只是用于预测选矿效益，还可以尝试用于预测选矿控制条件。