浸出工序是湿法冶金过程重要的生产工序，其质量指标的优劣直接影响有价金属的回收率，建立操作变量与质量指标之间的软测量模型奠定了过程质量指标控制的基础。然而，在实际生产过程中原料属性的改变、矿浆中大颗粒的沉降作用会引起浸出过程发生工况改变或慢时变，从而导致模型精度下降。因此，研究在浸出过程特性发生改变的条件下，如何有效确保模型性能满足生产要求具有重要的理论和现实意义。
　　本文首先对湿法冶金浸出过程及其机理模型进行介绍，并通过仿真验证了机理模型的可行性。以机理模型作为实际金氰化浸出过程，利用PLS方法建立金氰化浸出过程氰渣金品位的软测量模型。然后利用基于模型的主元分析法(MBPCA)建立监测模型，对氰渣金品位的软测量模型性能进行监测，以实时监测浸出过程特性是否发生改变。当监测模型监测到浸出过程特性发生改变时，提出基于小波分析与SVM相结合的浸出过程特性变化识别方法，即利用小波分析提取监测模型统计量序列特征，并将提取的特征作为输入训练SVM分类器，以识别浸出过程发生慢时变还是工况改变。当识别出浸出过程发生慢时变时，指导现场工作人员对浸出槽进行清理，以消除慢时变对浸出过程的影响;当识别出浸出过程发生工况改变时，提出基于案例和即时学习法的模型校正方法。其总体思想是，首先从模型案例库中匹配相似案例，若存在相似案例，则直接切换相似案例;若不存在相似案例，则采用基于即时学习法重新建立氰渣金品位的软测量模型以实现模型校正，并将其加入模型案例库中，实现案例库的更新。最后通过仿真研究验证了提出方法的有效性。