随着工业生产要求的不断提高,铁水脱硫成为钢铁生产中的一项关键步骤,而KR脱硫法由于其良好的动力学条件及较低的成本在钢铁企业得到广泛应用。目前KR铁水脱硫过程中不同搅拌工艺参数下的脱硫状态即脱硫率主要是通过模拟的水模动力学实验得到,但是在分析该实验时,常用的方法误差较大,并且该实验也存在周期长、成本高和对人员依赖性强的缺点。本文利用图像处理的方法对KR脱硫过程中搅拌工艺参数对脱硫率的影响进行了分析,应用浅层卷积神经网络进行了KR脱硫状态预测,研究工作具有一定的理论意义和实用价值。首先,针对目前常用的基于脱硫剂卷吸深度的KR脱硫搅拌工艺参数分析法在分析过程中只考虑脱硫剂的纵向扩散范围的缺陷,提出了基于图像分割的KR脱硫搅拌工艺参数分析方法,引入K均值聚类分割算法对各搅拌工艺参数下的水模实验图像进行分割获得含有脱硫剂的目标区域;通过定义的脱硫率判断准则判断各图像目标区域对应的脱硫率;再根据各图像目标区域对应的脱硫率来分析搅拌工艺参数对脱硫率的影响。接着,根据AlexNet网络结构提出了一种基于改进AlexNet网络的KR脱硫状态预测方法,该方法引入了图像处理中的分割和分类方法,以不同搅拌工艺参数下的水模试验图片为输入量,以脱硫率判断准则定义的脱硫状态为输出量构建了基于浅层卷积神经网络的KR脱硫状态预测模型。实验结果表明基于图像分割的KR脱硫搅拌工艺参数分析方法能更加准确的反映搅拌器工艺参数和脱硫率之间的关系;基于改进AlexNet网络的KR脱硫状态预测模型的预测准确度可以达到96.58%。