磨矿分级作业是选矿流程中十分重要的工序,衡量磨矿分级产品质量的重要指标就是水力旋流器溢流粒度的分布情况,粒度的实时在线检测对磨矿过程的优化控制、提高矿石品位和金属回收率具有重要意义。但是现有的粒度分析仪造价昂贵,一般选矿厂难以承受,并且仪表的维护保养也比较复杂。软测量技术为解决这一难题提供了一条有效途径,相对于目前一些粒度检测方法来说,软测量技术具有以下优点：设备维护比较简单；成本相对比较低；检测速度快,能够满足自动控制策略的实时性要求。因而,本文采用软测量技术来对水力旋流器溢流粒度的分布进行实时检测。本文重点研究了基于径向基神经网络的软测量建模方法,对径向基神经网络的理论基础、学习算法的选取等进行了详细的讨论。在对各种学习算法深入研究的基础之上,选取最近邻聚类算法作为径向基神经网络隐层节点的选取算法。最近邻聚类算法具有计算量小、需要根据经验来设定的参数少、隐单元的个数不需要事先确定等优点,但该算法也存在着一些不足,比如对孤立点和噪声点比较敏感,不利于网络泛化能力的提高。本文针对该问题提出了相应的改进方法,即通过聚类中的样本个数来判断某一聚类是否由孤立点或噪声点所形成,进而决定是否将隐节点删除。另外,本文还对文献中提出的变步长方法进行了简单介绍,该方法在一定程度上解决了最近邻聚类算法中固定迭代步长增加了网络的学习时间的问题。为了检验改进算法的效果,本文对太阳黑子数的预测问题进行了仿真实验,其结果表明,改进后的算法在提高网络训练速度的同时,也在一定程度上改善了网络的泛化能力。论文在对磨矿分级工艺、水力旋流器的数学模型和工作原理进行深入分析的基础之上,选取了软测量模型所需要的辅助变量,并利用改进后的径向基神经网络建模方法,建立了水力旋流器溢流粒度分布的软测量模型。最后,对建立好的软测量模型进行了仿真实验,从模型的预测效果可以看出,本文所建立的基于径向基神经网络的软测量模型能够较好的预测水力旋流器溢流粒度的分布情况。