皮带输送机是煤矿井下开采所需的十分重要的工具,其在安全生产中肩负着十分重大的责任。在生产过程中,由于恶劣的工作环境、经常出现混有棱角的矸石、细杆状物等尖锐物体等问题,皮带通常会伴随有划痕,划伤的出现,甚至会发生撕裂这样的严重破损,这些问题可能会威胁井下人身安全,还可能使煤矿造成一定的财产损失。为此,寻求准确并且实时的皮带破损检测的方法,是现在一个很有意义的课题。但是现存的检测方法,对于皮带破损图像,仅能对一种破损类型进行准确检测,不利于皮带后期的保护和检测;好多的检测的方法需要进行边缘提取、二值化和图像去噪等预处理操作,容易造成计算时间冗长。近年来,随着深度学习的出现,其在使用大规模数据训练网络提取目标特征方面具有优势。其中,深度卷积生成对抗网络（DCGAN）是一种深度学习模型。当将DCGAN及其改进算法应用于皮带破损检测时,由于上采样特征提取时使用批量归一化,使得生成器中像素空间不均匀覆盖,容易产生伪影,导致生成器学习到的特征出现偏差,进而影响皮带破损类型的准确检测。其次,鉴别器主要使用二分类sigmoid函数,该函数只能输出两个类别,不能识别三种破损类型。此外,生成器和鉴别器一般使用的学习率是相同的,在训练中,生成器更新几次,而鉴别器仅更新一次,这使得鉴别器过早地达到局部最优,从而导致模式崩溃。另外,由于生成器和鉴别器模型的网络层数较多,生成器和鉴别器经过多个卷积层后,可能使得学习到的特征出现部分丢失,导致特征不完整,影响皮带撕裂的准确检测。针对以上问题,本文提出了两种皮带破损检测方法,它们分别是:基于深度卷积生成对抗网络的算法和基于条件深度卷积生成对抗网络的方法,主要贡献如下:（1）对于深度卷积生成对抗网络的皮带破损检测方法中,1)关于生成器模型使用批量归一化操作,在生成的传送带图像中容易产生伪影,影响传送带破损的准确检测,且批量归一化容易造成计算时间冗长和内存占用,本文将生成器中的批量归一化去掉,不仅能提高破损检测的准确性,而且能减少网络训练的时间。2)针对深度卷积生成对抗网络的鉴别器不能用于识别多种对象类型,本文将鉴别器的输出使用多分类softmax函数,以输出类别概率的向量,对传送带破损出现的划痕、划伤及撕裂进行准确分类。3)针对鉴别器和生成器多使用相同的学习率,使得模型易出现崩溃,本文将采用双时间尺度更新规则来进行网络模型的训练更新,生成器和鉴别器使用不同的学习率,并按α:β进行更新,不但能够维持对抗平衡的状态,而且提高了鉴别器的训练速度,可以使皮带破损检测的效果更好。（2）对于条件深度卷积生成对抗网络的皮带破损检测方法中,为避免生成器和鉴别器学习到的特征不完整,本文在训练时,在生成器和鉴别器模型中,加入了跳层连接,不仅能提高收敛速度,而且还能避免特征部分丢失,从而提高检测精度。