在选矿过程中,磨矿粒度是衡量磨矿分级作业运行品质最重要的工艺指标,直接制约着选矿产品质量和金属回收率,影响着整个选矿厂的经济技术指标。因此在实际生产中,必须采用有效手段实现对磨矿粒度的实时在线检测。由于水力旋流器是磨矿分级中应用非常广泛的分级设备。所以通常在工业生产中,衡量磨矿分级产品质量的标准就是水力旋流器的溢流粒度。而由于水力旋流器内流场的复杂性,对其溢流粒度的估计很难提出一个系统完整的、简单准确同时又具有一定深度和广度的通用式。而软测量技术利用过程中的一些相关信息来估计这些不可在线检测的变量,既容易实现又节约成本,是一种非常可行的办法。本文重点研究了基于支持向量回归的软测量建模方法,从支持向量回归的理论研究、核函数选取及其参数选择等方面进行了详细的讨论。在分析不同核函数所表现出来的特性的基础之上,选取混合核函数作为支持向量回归中的核函数,通过与采用RBF核函数的支持向量回归模型的对比,证明采用混合核函数的支持向量回归模型具有更好的泛化性能。同时对支持向量回归模型参数的选取本文采用粒子群优化算法,通过该方法获得的支持向量回归模型的参数组合可以使回归模型获得更好的泛化性能。在对现有关于水力旋流器分离粒度数学模型的分析以及对影响水力旋流器性能的各种参数说明的基础之上,选取软测量模型需要的辅助变量,并以水力旋流器溢流粒度分布,即磨矿粒度,为主导变量,建立基于支持向量回归的软测量模型。通过与经验模型的对比,证明了这种软测量模型能够得到可靠且泛化性能更好的结果,并且降低了对训练数据的依赖程度。课题主要对水力旋流器溢流粒度分布数学模型的建立、基于支持向量回归建模方法的实现、核函数的选取、模型参数的选择四个方面进行了深入的理论研究,并以某选矿厂的水力旋流器溢流粒度分布情况为研究对象,对软测量模型的实现进行了仿真实验研究。从软测量模型预测的逼近效果以及均方误差值,可以看出此方法在水力旋流器溢流粒度预测中的有效性。