铝土矿浮选生产过程中,泡沫层的特征能够直接反应浮选工况的质量指标。目前,传统的工况识别主要依据有经验的操作工人通过观察泡沫层表面泡沫的视觉特征来实现,但由于浮选操作的不确定性和随意性以及泡沫表面视觉特征的复杂性,难以保证浮选过程的优化运行。因此,研究浮选泡沫工况识别,并用于指导浮选生产过程操作,对提高浮选精矿品位和矿产资源的利用率以及企业的经济效益,都具有非常重要的现实意义。支持向量机基于结构风险最小化原理,能有效解决小样本分类问题,已在模式识别、回归估计等多个领域得到广泛的应用。对于如何将支持向量机二值分类算法推广到多类支持向量机分类算法中去,并有效应用于铝土矿泡沫浮选工况识别的研究,具有较高的理论和实际应用意义。为此,本文首先针对“一类对多类”算法由于构造子分类器所需训练样本数目众多导致分类精度不高,而“一类对一类”算法则因其需要构造的子分类器数目众多,导致分类速度很慢的问题,提出了一种类间“一类对二类”多类分类算法,该算法能够使分类精度以及分类速度同时得到明显的提升。其次,针对决策二叉树和决策有向无环图算法因待分样本不同会导致生成结构不同,致使分类精度和分类速度都不同的问题,提出了一种基于凸壳二叉树的多类分类算法,该算法能生成分类效果最佳状态下的二叉树结构,有效地确保分类精度和速度的稳定性。UCI数据集的仿真结果表明了所提算法的有效性。最后,在研究铝土矿泡沫层表面视觉特征与浮选工况关系的基础上,提出了基于改进的SVM多类分类算法的铝土矿浮选工况识别方法。利用铝土矿泡沫浮选生产现场的数据进行实验研究,结果表明所提方法能较好地将泡沫层表面视觉特征与相应的不同工况对应,具有较好的泡沫图像分类以及工况识别效果,可为实现铝土矿浮选生产过程的优化控制提供较为有效的操作指导。