报废汽车车身破碎尾料中含有大量的铜、铝、不锈钢等高附加值金属料,需要对其进行分选后再利用。随着机器视觉技术的快速发展,破碎料自动化智能识别分选成为可能。在分选流程中,铜、铝、不锈钢三类金属特性相近分选难度最大,论文提出了一种金属破碎料三分类机器视觉分选方法,并开展了研究工作。制定了金属破碎料的分选方案。统计分析汽车车身金属破碎料的外观及结构特性,在机器视觉原理的基础上,设计由识别机构、拣选机构及控制系统组成的破碎料三分类智能化分选系统。并根据视觉算法需求采集和扩增图像,构建破碎料图像数据集。开展了金属破碎料机器视觉算法研究。参考传统机器学习方法,选择Canny算子结合形态学处理方法获取图像轮廓和质心,完成破碎料定位任务,以Tamura纹理和颜色矩作为识别特征,融合主成分分析和支持向量机方法进行数据分类。参考深度学习方法,选择YOLACT（You Only Look At Coefficien Ts）算法作为基础架构进行破碎料识别和定位,并融合注意力机制模块进行精度优化。通过两种算法的比较,分析YOLACT优化算法更适合该破碎料分选场景。探究了拣选机构运行参数对分选效果的影响。根据气刀拣选机制,建立破碎料和气刀流场模型,使用响应面法设计仿真方案。基于FLUENT重叠网格动态模拟,研究拣选环节中气刀气压、分选高度、破碎料初始速度、气刀角度参数对破碎料分选效果的影响规律。以破碎料之间落点距离为拣选环节中分选效果评价标准,获得了破碎料分选的最优参数组合方案。搭建了三分类系统并验证其分选能力。针对气刀拣选环节,使用高速相机结合显影粉末拍摄气流场的变化情况,设计实验并统计破碎料落点位置,验证了仿真结论的可靠性。针对铜、铝、不锈钢破碎料开展分选全流程实验,均获得了91%以上的纯净度和准确度,验证了系统的高效、精准的破碎料三分类分选能力。车身金属破碎料三分类分选系统及其相关研究工作为金属破碎料与相关领域的分选研究提供了一定的理论依据和技术支撑。