为实现浮选过程中矿物颗粒表面化学性质的在线检测,本研究以表面增强拉曼光谱(SERS)技术为基础,利用电沉积法在氧化铟锡(ITO)导电玻璃表面制备纳米金膜,将其作为SERS基底,在金表面通过自组装形成惰性二氧化硅单分子隔绝层,可实现对吸附在矿物颗粒表面的捕收剂分子的原位检测.针对生产过程中矿石品位多变的特性,分别使用竞争自适应重加权算法(CARS)和基于多尺度自动峰值检测(AMPD)算法,对不同辉铜矿含量样本的SERS数据进行特征信号的提取,采用反向神经网络判别算法(BP)和偏最小二乘算法(PLS)构建模型,基于药剂的饱和吸附对辉铜矿含量进行预测.经过对比,AMPD算法选出的特征点能更准确的反映吸附分子的特征峰,并且BP神经网络算法构建的模型精度优于PLS算法.AMPD-BP神经网络模型预测均方根误差(RMSEP)为0.02664,相关系数(R)为0.9755,模型表现出良好的预测性能.SERS法结合机器学习能够实现浮选过程中矿物颗粒表面性质的在线检测,为药剂吸附量的检测和浮选智能优化系统提供方法支持.