铁矿石是钢铁生产中必需的基础原材料,不同种类的铁矿石具有不同的物理化学性质,在冶炼过程中铁矿石中的种类及其品位直接影响其他物质配比。为了保障钢铁冶炼,需对铁矿石的选矿、冶炼、加工、运输等各个环节进行快捷有效的分析检测,但目前所用的传统分析检测技术普遍存在样品预处理复杂、耗时长,无法实现实时在线检测等问题。激光诱导击穿光谱(Laser-induced breakdown spectroscopy,LIBS)是一种原子发射光谱技术,通过从激光诱导等离子体发射的光谱来确定元素组成及样品含量。作为一种新兴技术,LIBS具有许多优点,可以实现原位在线分析、痕量分析、无损分析。在钢铁工业,LIBS已被广泛研究用于工业过程控制和定量分类分析。基于传统化学分析方法的概念,利用内标结合外标法校正特征光谱强度,建立校正曲线,定量分析铁矿石的全铁含量。通过计算等离子体温度和电子数密度,证明了等离子体处于局部热力学平衡条件,并且确保在局部热力学平衡的条件下,Fe元素分析线的积分强度是有效的。在MnI (405.52nm)特征线的校正下,利用内标结合外标法建立了四条校正曲线,该方法可以消除基体效应的影响并且提高定量分析的准确性,随后与标准加入法进行了对比,结果表明该方法准确度高,克服了传统方法耗时长、自由定标法准确度不高的缺点。通过LIB S采集数据后,结合随机森林方法建模,对铁矿石进行了分类研究,该方法是基于十种铁矿石的化学组分差异性,通过OOB估值优化了随机森林的两项参数。利用支持向量机和随机森林这两种机器学习方法用训练集建模比较了两种方法对未知铁矿石样品的分类预测的准确性,随机森林表现出更为优良的分类效果,证明了LIBS-RF是一种对铁矿石样品分类有效的技术和方法,并且可应用于自动在线、快速、是一种鲁棒性的测量方法。支持向量机中的两个参数——惩罚因子、核函数参数,二者直接影响支持向量机的分类效果,基于此提出了两种基于支持向量机参数优化的方法——遗传算法寻优、粒子群算法寻优,并将两种寻优算法分别应用于支持向量机对铁矿石分类中,这两种方法提高了支持向量机的分类效果,其中粒子群寻优法得到的分类效果较好。