长期以来,煤炭资源在我国能源结构中占据主导地位。随着煤炭综合开采智能化,掘进效率低成为煤矿采掘失衡现象的主要原因。实际开采过程中煤岩识别分类是掘进装置自适应截割的基础,是实现智能化、无人化开采的关键技术。矿井环境可见度低,矿石粉尘含量高等因素制约了煤岩识别的精度和稳定性,从而阻碍了自适应截割的发展,目前已成为实现“智慧矿山”的主要难题。鉴于此,本论文提出基于可见光-近红外光谱的煤岩识别特征波段筛选方法的研究,通过对煤岩识别建模过程中各步骤的方法进行寻优,构建煤岩识别模型,在实验室环境下,实现煤岩特征信息提取与识别,弥补过往其它煤岩识别方法的低精度和低稳定性等问题,为无人化煤岩识别提供技术参考。主要工作和研究成果如下:（1）在安徽省谢桥矿、潘集矿获取了煤岩样本共33个,其中煤样14份,岩样19份,对样本进行打磨处理,搭建实验室高光谱数据获取平台,获取样本的高光谱数据。（2）基于所获煤岩光谱数据和已确定的样本类别,采用不同样本集划分方法获取模型训练集和测试集,主要有Random Sampling（RS）法、Kennard-Stone（KS）法、Duplex法和Sample set Partitioning based on joint X-Y（SPXY）法,并基于划分出的训练集建立偏最小二乘线性判别分析（PLS-LDA）的模型,并对比分析模型预测精度。结论如下:基于SPXY法的样本集划分,更大程度了利用了样本集的信息,划分的训练集所建模型SPXY-PLS-LDA分类准确度达100%,Kappa系数和F1-score均为1;Duplex-PLS-LDA模型预测精度达90%以上,高于RS-PLS-LDA和KS-PLS-LDA模型,因此,对于煤岩识别模型的建立,基于SPXY方法划分样本集具有更高的优先级。（3）基于所获煤岩光谱数据,采用多种光谱预处理方法对数据进行初步处理,削弱数据噪声,减少随机误差及仪器暗电流带来的影响,提高信噪比,方法主要有一阶导数（FD）变换、二阶导数（SD）变换、多元散射校正（MSC）、标准正态变量变换（SNV）、平滑处理（SG）和归一化处理（NORM）等,并根据前文中已经得到验证的SPXY法划分样本集为训练集和测试集,基于所获训练集进行偏最小二乘线性判别分析（PLS-LDA）和支持向量机（SVM）的模型构建,并利用测试组验证分类效果,通过对比分析,结果表明:基于MSC和SG处理后的数据更能凸显高光谱数据的隐藏信息,提高信噪比,所建SPXY-MSC-PLS-LDA和SPXY-SG-PLS-LDA模型分类准确度达100%。因此,在基于高光谱数据识别分类煤样与岩样的试验中,MSC和SG处理作为预处理方法,是更有效果的。（4）通过对煤岩样本高光原始光谱数据的分析,结合前人研究成果,分析煤岩识别的机理。本论文对煤岩样本高光谱数据进行峰值分析,提取特定波段和反射峰,分析峰谷特征的产生与煤样物质组分的关系。总结如下:煤岩识别基础在于曲线整体波形和峰谷特征差异。随着波长的增加,煤样反射率整体呈缓慢上升,而岩样则呈上凸形。峰谷特征在401nm-1000nm波段范围内,光谱曲线主要受煤岩样本中Fe2+、Fe3+等过渡性金属阳离子发生电子吸收而产生能级跃迁的影响,在1001nm-2500nm范围内产生的吸收谷特征是受H2O、-OH、CO32-基团弯曲伸缩振动产生的基频、倍频与合频的影响。（5）基于前文中已得到验证的SPXY样本集划分法、SG平滑和MSC预处理方法,采用随机蛙跳（RF）算法、竞争性自适应重加权采样（CARS）和连续投影法（SPA）获取样本集划分和光谱预处理后煤岩高光谱数据中对煤岩识别敏感的优选波段组合,分别对优选波段组合建立支持向量机（SVM）模型和偏最小二乘线性判别分析（PLS-LDA）模型,并对比模型识别精度。结果表明,基于煤岩高光谱数据建立的SPXY-SG-CARS-PLS-LDA模型和SPXY-SG-SPA-PLS-LDA模型使用不到总波段数的1%的波段,对测试集的识别正确率达100%,同时其他模型预测精度也达90%以上,Kappa系数总体高于0.65,F1-score均高于0.8。结果表明波段筛选方法有效获取的基于煤岩识别的敏感波段,用较少的波段数所建模型达到较好的预测效果,提供了模型运行速度和模型稳定性。（6）基于MATLAB APP Designer平台,开发出煤岩识别建模辅助GUI,该GUI可独立于MATLAB使用,包括样本集划分模块、光谱数据预处理模块、波段优选模块和识别模型构建模块,并展示了关键代码。该GUI分为前端界面设计和后端应用代码设计,前者使用平台自带控件和XML语言进行设计,后者采样MATLAB.APP语言进行设计。软件实现了本论文采用的算法,搭建了煤岩识别的基本框架,以期为后续研究和成果转化提供参考。图[55]表[9]参[86]