煤炭是我国重要的基础能源,煤矸分选是煤炭开采中的关键环节,而实现煤矸智能分选则是推动煤矿智能化发展的技术支撑。针对目前基于视觉的煤矸智能分拣系统中存在的皮带运行速度快、煤矸形状大小不一、煤矸数量大等因素所导致的煤和矸石难以准确识别和快速分拣的难题,本文提出一种基于多信息融合的煤矸智能分拣系统。该系统利用近红外相机的性能优势结合深度学习来进行煤和矸石的识别,利用近红外和深度相机融合的方式来获取煤矸种类、深度和位姿信息,并结合本文搭建的煤矸柔性分拣模型,实现了对高速皮带上不同的矸石进行快速、准确分拣的功能。具体研究工作如下:（1）设计并搭建了一套煤矸智能分拣实验平台。平台主要包括预处理模块、煤矸识别和位姿获取模块以及柔性分拣模块。利用预处理模块对初始大批量的煤和矸石进行筛选和分流的处理,防止煤和矸石相互重叠,便于后续视觉模块获取煤和矸石的信息。通过分析不同的传感器性能,煤矸识别和位姿获取模块选用了近红外相机代替普通相机来进行煤矸的图像采集和识别工作,并采用深度相机来获取煤矸的姿态信息。利用相机获取到的信息,柔性分拣模块采用自主设计的阵列式气动分离装置搭配柔性分拣模型来实现煤矸的柔性分拣工作。（2）针对传统机器视觉算法无法解决动态场景下所带来的图像噪声多、背景复杂、特征提取困难等问题,难以满足煤矿现场的复杂环境与实时性要求,本文提出了一种基于改进YOLOv3的煤矸识别算法。该算法以YOLOv3网络作为基础,对其进行了三个部分的改进,缩短了网络模型的预测时间,提高了动态场景下煤矸的识别准确率,改善了预测框与目标物体的匹配度,使其更适用于复杂场景下的煤矸分拣工作。经过近红外相机获取到煤和矸石的种类和坐标信息后还需要将其与深度相机获得的深度信息相匹配,对此,本文通过相机标定来获得转换矩阵,经由矩阵转换和图像对齐的方式使得两个相机下获得的煤和矸石的信息能进行有效的匹配。（3）煤矸大小、姿态变化万千,仅用一种分拣策略难以实现每块矸石都能被分拣至合适的位置。对此,本文通过分析煤矸石气动分离前后影响其运动轨迹的不同影响因素,推导出了煤矸石气动分离水平运动距离的理论公式,建立了煤矸柔性分拣数学模型,并用不同形状大小的煤矸石进行煤矸气动分离实验。根据实验数据对该模型进行误差补偿,修正后的分拣模型对煤矸气动分选具有重要的指导意义。（4）最后,通过搭建的实验平台,结合上述的煤矸识别算法和煤矸柔性分拣方法对本文的煤矸智能分拣系统进行实验验证。通过对比实验说明了本文提出的煤矸识别算法可以有效的提高煤矸的检测速度和煤矸的识别准确率,动态场景下的煤矸识别准确率可达92.5%,平均检测速度仅需37ms。实验也表明了煤矸柔性分拣模型对于提高煤矸分拣准确率的有效性,在相同的实验条件下,使用煤矸柔性分拣模型搭配阵列式气动分离装置的组合其分拣准确率可达94.66%。煤矸智能分拣系统可以实现在皮带高速运动下对不同形状大小的煤和矸石准确的识别和分拣。