回转窑在冶金、钢铁、水泥等众多的工业领域都有着广泛的研究和使用,对回转窑进行工况识别是生产流程的重点,它不仅影响到产物的质量,还关系到回转窑的能源利用率以及污染排放情况。随着计算机视觉技术的兴起,许多学者致力于基于图像的识别方法,取得了较好的成果。本文使用深度学习的方法,围绕火焰图像的多通道特征提取、网络信息传递以及不均衡分类等问题展开研究,提出了能高效表征火焰运动状态的模型。本文进行了如下的研究工作:针对单帧图像难以从时间维度上反映火焰的动态变化信息以及火焰图像受到干扰导致从中提取的特征鲁棒性差的问题,提出了一种多通道时空特征提取网络,它以三维卷积作为基础,可以提取图像序列的时空特征,弥补传统方法不能获取火焰动态变化信息的问题,同时充分考虑的火焰图像的细节多、特征尺度不一的特点,采用不同尺寸的四路并行三维卷积,丰富火焰的时空特征表达,增强获得的火焰图像特征的鲁棒性。实验显示该模型取得了好于常见的二维和三维卷积方法的性能。针对网络层次加深后学习能力难以得到保持,火焰图像特征在网络中可能出现信息丢失的问题,提出了一种三维残差网络,它以三维卷积为基础,拥有捷径连接和数据维度转换的特点,捷径连接在一定程度上避免了信息丢失,保证的网络的学习效率,数据维度转换大幅度减少了参数量,同时节省了模型的运算开销。结果显示该方法能有效保留网络中的信息,提升火焰图像的识别准确率,同时加快了模型的拟合过程。针对回转窑各类燃烧状态样本数量不均衡问题,首先提出一种多通道残差网络,该网络结合了多通道特征提取和残差结构的优点,在充实特征表达的同时防止信息丢失,可以高效地对火焰图像进行表征;其次选择用基于SVM的Adaboost对回转窑的燃烧状态样本分类。Adaboost是解决数据不均衡问题常见的算法,它使用便捷,效率高,可以在工业现场进行实时检测;SVM是成熟的分类算法,可以处理非线性、高维度、小样本数据,适合处理回转窑的高维时空特征。采用多通道残差网络和Adaboost结合的框架,使用工业现场真实数据,对某大型国有企业工业现场回转窑工况进行了识别实验和对比,结果表明该框架对回转窑各个状态的识别精度都较高,同时对小样本数据的识别精度优于其他方法。