矿产资源是国家经济建设的重要前提和基本动力之一。对矿产资源分类与鉴别的研究是矿产资源开发研究中一个重要的方面，对矿产资源的开发与利用有重要的意义。现有的矿产资源分类与鉴别大部分都是利用矿产资源的化学成分分析来实现，本文则利用矿产资源的物理性质特征来实现对矿产资源的分类与鉴别。本文以8类常见金属矿产资源作为研究对象，以实现对矿产资源快速、准确的分类与鉴别为目的。提出了一种基于BP神经网络的矿产资源分类与鉴别系统研究的方法。本文使用MATLAB7.0软件的工具箱来创建基于BP神经网络的矿产资源分类与鉴别系统，来实现对矿产资源快速、准确的分类与鉴别。论文的主要研究内容如下：（1）在分析了国内外矿产资源分类与鉴别的研究现状的基础上，收集、整理矿产资源的物理性质特征数据。（2）对矿产资源的性质特征数据进行了统计分析研究，从中选取了颜色、条痕、光泽、解理、断口、比重和硬度七种对矿产资源有重要影响的特征作为实验研究的数据，这些也是矿产资源分类与鉴别系统研究的数据基础。（3）根据BP神经网络应用于分类与鉴别的原理，提出了对矿产资源分类与鉴别的研究步骤，研究建立基于BP神经网络的矿产资源分类与鉴别系统的关键技术，包括样本的选取与预处理、输入输出变量的选取、隐含层节点数的确定、初始权值和阈值的选取、训练算法及参数的选取。（4）选取不同的训练算法和隐含层节点数对矿产资源的训练样本进行训练，然后用未经训练过的测试样本对训练好的网络进行测试，最终确定能够对矿产资源快速、准确分类与鉴别的理想的训练算法和隐含层节点数。研究结果表明建立的矿产资源分类与鉴别系统基本上能够对这8类常见金属矿产资源进行分类与鉴别，且系统对训练样本的学习正确率均在95%以上，系统对测试样本的鉴别正确率均在80%以上。通过研究发现：性质特征相近的矿石之间容易相互影响以及伴生矿石的复杂性质特征都会导致系统对测试样本的鉴别正确率降低。