湿法冶金是一个通过采用液态试剂对矿石进行浸出、分离和提取金属及其化合物的生产过程。湿法冶金由于具有清洁、高效、适用于低品位金属矿产资源回收的优势,被广泛用于金属冶炼。对湿法冶金过程实现故障诊断有利于提高生产的安全性,进而提高生产效率,增强企业竞争力。湿法冶金流程机理复杂、影响因素冗杂、不确定信息众多等问题一直是学者研究的难题。在对湿法冶金过程进行故障诊断时,需面对定量信息和定性信息共存,确定信息和不确定信息并存的问题。其中,定量信息指用数值大小描述的变量信息,定性信息指定性描述的变量信息,主要通过语义进行描述。传统的故障诊断方法比如主成分分析等方法,只能处理定量信息。针对以上问题,本文以黄金湿法冶炼过程故障诊断为研究背景,提出了基于粗糙集的湿法冶金过程故障诊断方法,并将其应用于湿法冶金氰化浸出过程和浓密洗涤过程的故障诊断中。论文针对决策表中连续属性和离散属性并存的情况,提出了采用蚁群聚类算法用于连续属性的离散化。该方法将所有的连续属性一起聚类,形成一个综合属性,同时实现连续属性的离散化。与传统的离散化方法相比,更能反映出不同连续属性之间的相关性和互补性,减少位于边界上的样本数据造成的错误离散化,提高了诊断精度。针对粗糙集属性约简问题,通过遗传算法将属性约简转化成遗传算法中的进化寻优问题,进而实现属性约简的目的。经过规则获取,建立了基于粗糙集的湿法冶金浸出过程故障诊断模型,相关仿真验证了该方法的可行性。论文还提出了一种基于贡献率的故障追溯方法,可寻找到导致故障发生的原因变量,有助于生产的自愈控制,并通过仿真验证了方法的可行性。针对湿法冶金浓密过程确定信息和不确定信息并存的问题,在决策表中引入区间数据表达形式,通过在区间聚类算法中引入Hausdorff距离作为度量类间距的标准,将其用于区间数属性的离散化。离散后的综合属性,结合其它离散属性构成了粗糙集决策表。经属性约简,规则获取,建立了基于区间粗糙集的湿法冶金浓密过程故障诊断机理模型,并经过仿真,验证了该方法的可行性。