煤炭为我国主要的一次能源。水害为煤矿的重特大灾害之一,本文在国家重点研发计划‘煤矿重特大事故应急处置与救援技术研究’（2016YFC0801800）的资助下开展了矿井水灾图像识别的相关工作。首先介绍了本文的选题背景以及水灾自动报警的重要意义。研究了矿井水灾监测识别的国内外现状,包括水文地质勘探法、水源识别法、水位监测法、涌水量监测法、应力监测法、微震监测法、电阻率监测法、煤岩纹理图像识别和目标检测现状。阐述了矿井现有水灾监测识别存在的问题,并对本文的研究内容进行了简要说明。提出了基于双树复小波域泊松分布过程的矿井水灾识别方法。阐述了算法的具体原理:将学习集中的图像在双树复小波下分解,分别计算其1、2级系数的方差和期望,并对其进行泊松过程建模,估计参数,组成向量作为学习特征。对测试集采取同样的操作,提取参数组成向量,分别与学习集样本图像的特征向量进行相似性测度计算,以此判断测试集中图像的分类。提出了时空域包容能力强的基于GABOR域时空不敏感泛化建模的矿井水灾识别方法:首先将突涌水图像在不同感受野、不同方向下进行GABOR分解,分别对各个子带进行统计建模,估计建模参数,提取为本方向的学习特征,实现突涌水图像的降维,将提取的特征按照一定顺序进行排列,去除时间域、空间域敏感性,组成学习特征向量,实现纹理特征的可靠性提取。对被测样本实行同样操作,将得到的向量与学习特征进行向量相似性比较,判定分类。提出了一种基于局部二值特征与稀疏表示的矿井水灾识别方法:首先将学习集图像分成大小相等的四个部分,计算每部分图像的局部二值特征值,统计其特征值出现的频率,将图像特征值出现的次数组成向量用以表示图像的特征,并组成初始字典,进行深度编码迭代训练,当其稀疏表示的误差达到一定程度时,停止迭代训练。将测试图像利用稀疏矩阵表示,则其稀疏矩阵的系数即可表示图像的特征,根据其稀疏表示判定分类。提出了基于灰度共生矩阵与向量诱导非线性回归的矿井水灾识别方法,首先分别计算学习样本图像的灰度共生矩阵,提取灰度共生矩阵的对比度,差异性、齐次性、熵、自相关、能量作为特征向量,利用这些向量诱导非线性回归方程使得每种样本向量集到非线性回归方程的最小距离的和达到极值,将待测样本的向量代入方程后的计算值作为分类依据识别水灾。提出了基于超像素与纹理特征的低分辨率突水识别方法。首先采集低分辨率下突涌水图像组成信号函数,将信号函数进行傅里叶变换,统计其频率的分布特征,并将此特征作为学习特征。将待检测低分辨率图像经过线性迭代超像素分割为超像素块,将每一块超像素块组成信号函数并进行傅里叶变换,统计其分布规律作为学习特征,以学习特征作为判断阈值进行识别,符合规律的超像素块进行分类合并。提出了基于残差神经网络的矿井水位标尺刻度识别算法,并研究了不同深度算法情况下矿井水位标尺识别的性能。将标尺图像刻度中心位置参数,形状大小参数,刻度分类提取为特征向量,通过残差神经网络进行训练。当网络训练稳定后,将待检测图像进行相同的操作得到特征向量,将特征向量解析为图像目标的关键信息,实现水位标尺的刻度目标检测。研究了不同深度算法情况下矿井水位标尺识别的性能。深度学习网络随着深度的加深在一定程度上可以提升图像的目标检测效果,但是由于梯度消失和弥散现象,并不是网络层次越多,识别率越高。识别率不能随着网络的加深而无限制提高,在特定数量的数据集上,模型具有最优的网络层数。网络层数过多会导致参数训练不充分,进而导致网络性能退化。网络层数过少,不能有效提取图像的关键特征,且容易导致训练过度,识别率降低。本文的创新性工作如下:（1）提出了基于双树复小波域泊松分布模型的矿井水灾识别方法。分析了突涌水图像在双树复小波域的分解系数特征,构造了泊松分布模型,解决了突涌水图像在双树复小波域多级分解下的特征融合问题。（2）提出了基于GABOR域时空不敏感泛化建模的矿井水灾识别方法。分析了突涌水图像在GABOR域的分解系数特征,解决了突涌水的时空变化复杂情况下的图像的纹理特征的提取,提升了突涌水识别率。（3）提出了基于局部二值特征与稀疏表示的矿井水灾识别方法。分析了突涌水图像的局部二值特征,利用稀疏表示进行分类识别,压缩了局部二值特征表示,使得突涌水识别性能进一步得到提升。（4）提出了基于灰度共生矩阵与向量诱导非线性回归的矿井水灾识别方法。利用稀疏矩阵对突涌水图像的特征进行提取之后采用回归分析进行分类识别,在提升识别率的同时,大幅压缩了识别时间。（5）提出了基于超像素与纹理特征的低分辨率突水识别方法。采用超像素对图像进行分割后,对每一块超像素进行纹理特征的提取分析,利用纹理特征对突涌水进行识别,解决了低分辨率情况下的突涌水识别问题。（6）提出了基于残差神经网络的矿井水位标尺刻度识别算法,并研究了不同深度算法情况下矿井水位标尺识别的性能。利用水位标尺刻度进行突涌水识别,解决了非典型水花特征区域的突涌水识别问题。