随着我国经济的快速发展，社会对金矿产资源的需求急剧增加从而加速了对资源的开采，直接导致具有高品位的金矿产逐渐走向枯竭。而经过勘测，我国蕴藏了丰富的低品位金矿产，如何高效地利用低品位矿产资源，对我国的经济发展有着重大意义。作为提炼冶金的的常用方式，湿法冶金以其能够处理低品位矿、对环境的危害较少等优点，更加适合对矿产资源的有效回收利用，因而逐渐得到了冶金行业的广泛应用。
　　浸出过程作为湿法冶金的关键环节之一，整个冶金过程所得到金品质的高低取决于浸出过程的运行状态，故学者也逐渐重视对湿法冶金浸出过程的研究，其中针对浸出过程的研究:过程监测、故障诊断以及运行状态评价已经逐渐成为研究热点。然而在浸出过程中，最突出的特点为生产过程普遍存在的多模态，即浸出过程存在多个稳定工作点。划分与识别浸出过程运行的模态已经成为浸出过程的过程监测、故障诊断等研究的基础。
　　在浸出过程的多个模态中，由于传感器的精度限制或外界干扰等原因导致过程数据的不精确的问题普遍存在，所以针对不确定的区间数据，进行湿法冶金浸出过程的多模态划分与识别成为研究湿法冶金浸出过程的首要前提。
　　本文针对复杂工业过程的典例的湿法冶金，在详细分析浸出过程的过程特性的基础上，建立了针对区间数据的湿法冶金浸出过程的模态划分与识别的模型，主要研究工作归纳如下:
　　(1)深入分析以氰化钠为浸出剂的浸出过程的工艺流程及操作原理，为浸出过程的多模态划分与识别模型的建立奠定基础。
　　(2)针对区间型数据，提出了区间PCA方法与区间RBF神经网络相结合，用于建立浸出过程的多模态划分与识别模型的方法，即使用区间PCA方法对区间样本数据进行降维，使用区间RBF神经网络针对降维后的区间数据实现模态划分与识别。
　　(3)以湿法冶金浸出过程作为研究对象，以区间PCA方法和区间RBF神经网络的理论为基础，建立了针对区间数据的浸出过程多模态划分与识别模型，并仿真实现了针对区间数据的湿法冶金浸出过程的多模态划分与识别。