铝土矿浮选过程是我国自主开发的矿物加工工艺技术，对我国低品位铝土矿资源的有效利用和节约能耗具有重要意义。但因为浮选过程流程长、影响关系复杂且不确定性强，造成建模和优化控制困难，使实际生产过程中采用人工看泡沫状态进行操作，工作强度大且难以优化运行。本项目针对此问题研究基于分布机器视觉的铝土矿浮选过程协调优化问题。首先，针对物料流无法标记跟踪造成同一组物料参数不匹配的问题，提出一种基于时效关联分析的分布参数时间配准方法，实现分布机器视觉数据的时空配准，为建模和优化提供了数据基础；提出基于概率密度分布（PDF）的图像序列泡沫大小特征重构方法和基于趋势分割点的泡沫敏感特征序列变化趋势提取方法，建立了基于重构敏感特征趋势的精选与粗选泡沫表面特征关联模型，反映了不同浮选作业间的关联关系；针对指标影响因素过多且耦合严重，提出了基于敏感特征变化趋势和入矿参数等多信息融合的浮选精矿品位集成预测方法，和基于现象学与统计学习的入选矿浆粒度预测混合建模方法，充分利用了不同类型信息的特点分别建模再集成，实现了指标和关键参数的准确预测；在所建预测模型的基础上，提出了基于泡沫尺寸分布PDF最优的粗选加药量优化控制策略和基于泡沫敏感特征的pH值预测控制策略；综合利用分布机器视觉重构的敏感特征和入矿参数等信息，提出了基于置信规则和指标分解协调的粗选扫选和精选加药量主从协调优化方法，对不同作业加药量和不同药剂种类进行协调。工业数据仿真和工业试验验证了上述方法的有效性，并有部分方法在基于分布机器视觉的浮选过程监控系统中得到了集成应用，形成了较系统的选矿过程建模和协调优化理论和方法。所提方法也为其他矿物浮选过程的精细化优化控制提供了理论和方法依据。