湿法冶金作为当今冶金工业实现绿色生产的重要环节,其主要是借助化学溶剂对原矿石中的金属进行萃取和分离。面对当今国际激烈的矿产资源竞争以及国内可持续发展战略的要求,湿法冶金工艺不仅可以实现对金属的高效回收,还可以满足有机溶剂的循环利用。目前湿法冶金工业的发展主要集中在化学溶剂的革新方面,而用于提高生产流程自动化水平的关键生产指标预测方面的研究较少。因此,建立适配萃取冶金工业的关键生产指标预测模型是提高该行业自动化水平的重要保障。本文主要针对湿法冶金工业中的铜萃取段存在未知的浓度参数无法直接在线监测等难题,通过深入了解萃取环节的工艺机理,综合探究了相应的机理、数据以及混合等三种建模方法,从而实现优化工业生产操作的目的。本文的主要工作如下:（1）在详细探究铜萃取环节工艺机理的基础上,以多级逆流萃取的工艺方式为主要研究对象,根据物料守恒的原则建立了基于机理分析的铜萃取过程的动态数学模型。通过仿真实验验证了模型的有效性,可以用来模拟实际的铜萃取过程,并详细探究了萃取过程的几个关键因素对萃余液铜离子浓度造成的影响。（2）在铜萃取机理建模的过程中,存在着未知的动力学反应参数—传质速率。在实际工业生产过程中,动力学反应参数无法直接测量,必须使用可测的带噪声数据进行估计。为了降低测量噪声对估计结果的影响,本文提出了基于降噪神经网络的方法来估计未知的传质速率,并与有限差分、多项式拟合、Tikhonov正则化等方法对比分析。通过进一步的仿真实验研究表明,基于降噪神经网络的策略无论是在无噪声还是有噪声的状态下均可以达到令人满意的效果,从而达到抑制噪声对估计结果影响的目的。（3）在上述传质速率估计结果的基础上,本文提出了铜萃取过程针对萃余液铜离子进行预估的串联混合模型。此模型由含有未知参数的机理模型和待估参数的数据预测模型串联在一起构成。未知参数的数据预测模型分别利用随机向量函数链接网络（RVFLNN）和随机配置网络（SCN）对未知的传质速率进行预测,并将其串联到机理模型中形成混合模型,以提高模型的预测精度。通过仿真实验分析可知,和传统的机理模型、纯数据模型等单一模型相比,混合模型有效提高了萃余液铜离子的预测精度,这为湿法冶金全流程优化控制奠定了重要的模型基础。