泡沫浮选是从矿石中提取所需矿物的常用方法,从杂质中分离出来的矿物质吸附在矿浆中的泡沫上面,因此泡沫的状态变化的研究极为重要。以往的判断方式为人工肉眼观察,当浮选泡沫体现出稳定性和不易坍塌性则证明添加的药剂符合分离条件,但是人工的不确定性和经验强度要求的特性,使得计算机自动控制逐渐应用在浮选中。由于浮选泡沫局部纹理、颜色、大小等静态特征相似,难以很好的用于浮选工况识别,因此研究浮选泡沫的动态特征,并能实时提取,对于浮选工况识别具有重要意义。针对浮选泡沫运动过程中容易发生崩塌、兼并、扭曲等现象,泡沫浮选的速度特征及内部混乱熵特征的提取可以更好地识别不同工况下的浮选泡沫状况。浮选泡沫的运动是连续的,且在不断运动中泡沫状态会连续发生变化,在连续帧的识别与匹配状况下能更好的判别实际状态。计算机自动控制应用于浮选泡沫动态特征提取是从特征点提取及匹配角度出发,通过提高算法提取及匹配能力进而获取浮选泡沫的动态特征。论文主要研究工作及创新点如下:(1)针对浮选泡沫特征点提取准确率问题,我们将传统的特征点提取算法SURF(快速鲁棒尺度不变特征提取算法)算法和深度学习算法SuperPoint(Self-Supervised Interest Point Detection and Description)运用到浮选泡沫工况中,针对于金锑浮选泡沫特征点提取的研究,使用72维的SURF算法相比于其它的传统特征点提取算法效果最好,同时将深度学习算法应用于浮选泡沫特征点提取和SURF-72算法进行方法对比。由于深度学习算法具有多层迭代及逆反馈的优越性,可以很好的提取动态连续帧的特征点,通过与传统特征点提取算法进行多维度实验对比,验证深度学习算法在浮选泡沫图像特征点提取中效果更好。(2)针对浮选泡沫连续运动的特点和特征点匹配准确率问题,提出一种基于卡尔曼滤波和RANSAC算法的浮选泡沫特征匹配方法,称为R-K匹配算法。首先针对传统72维的SURF特征点提取算法进行特征点的提取,然后通过浮选泡沫图像子块划分以及卡尔曼算法进行子块区域预测,将RANSAC算法获得的初始匹配对作为卡尔曼滤波算法的初始观测值,实时观测特征值的数量,进行匹配误差计算,当误差到一定范围内便停止RANSAC算法的使用,仅使用卡尔曼滤波算法,最终得到浮选泡沫图像的匹配效果图。并对该算法进行鲁棒性验证,以确认其有效性和实用性。(3)工业实验数据的仿真结果表明,与现有方法相比,R-K算法可以得到更多的特征点匹配对,在特征点提取与匹配效果提升的前提下,计算浮选泡沫的运动速度和内部熵的混乱程度,泡沫的稳定、紊乱及坍塌三种情况在该算法的使用下可以很好的区分开来。因此,该算法可以在变化的状态下更有效的获得有关浮选泡沫更准确的动态信息,为计算机自动控制判断浮选工况提供了一种可行的办法。