Para mejorar la eficiencia de lixiviación del mineral de oro y reducir el costo de tratamiento ambiental del cianuro de sodio residual, a menudo se conectan reactores de tanque agitado continuo en cascada. Un sistema de lixiviación de oro es un sistema de reacción química multifásico, y su mecanismo de reacción cinética es complejo y está afectado por factores aleatorios. Utilizando tecnología de modelado inteligente para establecer un modelo de predicción híbrido del sistema de lixiviación, se puede analizar fácilmente el rendimiento dinámico del proceso. De acuerdo con el principio de reacción y la teoría de conservación de la materia, se establece un modelo mecánico para reflejar el principal rendimiento dinámico del sistema de lixiviación. Para mejorar la convergencia global del objetivo de optimización, se utiliza un algoritmo de optimización por enjambre de partículas (PSO) basado en recocido simulado para optimizar los parámetros de ajuste en el modelo de velocidad de reacción cinética. Se utiliza un enfoque de red neuronal de memoria a largo y corto plazo (LSTM) para compensar los errores de predicción causados por la dinámica no modelada, y se establece un modelo híbrido. El modelo de predicción híbrido puede predecir con precisión la tasa de lixiviación, lo que proporciona una base confiable para guiar la producción, y también proporciona una base de modelo para la optimización de procesos, diseño de controladores y monitoreo de operaciones. Finalmente, se verifica la superioridad y practicidad del modelo híbrido mediante una prueba de sistema industrial de lixiviación práctica. El modelo de predicción de variables clave en el proceso de lixiviación se establece por primera vez utilizando la última tecnología de predicción de series temporales y tecnología de optimización inteligente. Los resultados de investigación de este artículo pueden proporcionar una buena referencia y guía para otras investigaciones sobre modelado híbrido de sistemas complejos.