针对浮选过程中图像信息和过程数据信息共存且不同运行状态特征差异度小的问题，以深度学习技术为基础，提出了一种新的基于多源异构信息的浮选过程运行状态评价方法 .首先，建立一种残差网络（residual network,ResNet），旨在从不同等级的原始图像中提取更具区分度的深层特征.其次，提出一种堆叠稀疏状态相关自编码器（stacked sparse performance-relevant autoencoders,SSPAE）模型，将状态等级标签引入到模型训练中,克服传统自编码器忽视状态相关特性的问题.再次，建立基于注意力机制（attention mechanism,AM）的图像和数据特征融合模型，实现对多源异构信息的合理有效利用，并将融合后的特征输入SoftMax分类器建立运行状态评价模型.最后，利用浮选过程数据进行仿真验证.结果表明，基于本文提出的ResNetSSPAE-AM模型的评价结果优于其他几种比较方法，说明所提方法在浮选过程运行状态评价中的优越性.