综合机械化放顶煤采煤法在我国特厚煤层开采中应用广泛,但其放顶煤过程却需要人工控制,极易造成顶煤的“欠放”与“过放”。而根据垮落煤矸的精准识别结果进而控制放顶煤过程可有效解决该问题,因此,如何实现在放顶煤过程中精准识别垮落的煤与矸石成为智能化综放开采的难题之一。为此,国内外学者已提出许多基于煤矸垮落时冲击液压支架声音信号的煤矸识别方法,为智能化综放开采做出重要贡献。然而,这些方法却忽略了综放开采现场强烈背景噪声及复杂开采环境对识别性能的影响,使它们在抗噪性及实时性方面仍有缺陷。受工人通过耳听煤矸垮落冲击液压支架声音来实时区分煤与矸石的启发,本文提出了一种基于听觉感知原理的煤矸识别方法,对综放开采中煤矸精准识别进行研究,具体如下:（1）根据塔山矿8222综放工作面的工作条件及放煤工艺,开展了放顶煤声音信号采集实验,获取了煤、矸石垮落时冲击液压支架产生的声音信号,并从所采集的声音信号中截取等长数据样本,构成了煤矸识别声音样本数据集,为基于声音信号的煤矸识别方法提供了数据条件。（2）对所采集的煤、矸石垮落声音信号进行了预处理操作。针对声音信号中包含非线性趋势项的问题,使用最小二乘拟合法予以去除,通过对比不同多项式阶数对趋势项消除的影响,最终确定了所选趋势项消除阶数;针对声音信号中包含高频噪声的问题,通过使用奇异值分解降噪法,引入奇异值累计贡献率确定了用于重构降噪声音信号的奇异值。结果表明,经过预处理后,原始声音信号中非线性趋势项得以消除,信号中高频噪声得到极大抑制而对中低频信号影响较小,提高了声音信号的准确性与可靠性。（3）构建了听觉计算模型作为煤、矸石垮落声音信号的处理工具。基于对煤、矸石垮落声音信号的频谱分析,通过在200～6000 Hz的特征频率范围内以对数分布划分48个特征频率来调整听觉计算模型,并将声音信号输入到调整后的听觉计算模型,得到了具有优异抗噪性能的听觉系统各阶段多特征频率听觉响应。分析对比了各阶段听觉响应的特点,最终选取多特征频率下丘发放率作为煤矸识别的听觉特征。（4）提出了下丘发放率结合卷积神经网络（Convolutional Neural Network,CNN）的煤矸识别方法。通过将多特征频率下丘发放率转换为多通道听觉谱（Multi-Channel Auditory Spectrum,MCAS）构造了煤矸识别输入特征图;根据MCAS特点构建了CNN用以自动提取特征并进行煤矸识别。结果表明,本文所提方法实现了99.50%的煤矸识别准确率且具有识别速度最快的CNN结构;此外,与其他识别方法相比,该方法在背景噪声条件下实现了更优的抗噪性能。（5）为进一步提升基于听觉感知原理的煤矸识别方法的识别速度,构建了优化听觉模型以缩短声音信号处理时间,并结合CNN以识别垮落的煤与矸石。结果表明,基于优化听觉模型的煤矸识别方法既实现了99.50%的识别准确率,又可实时识别垮落的煤与矸石,且该方法仅在强背景噪声条件下识别性能略低于基于听觉计算模型的识别方法,但优于其余对比识别方法。