随着优质煤资源的日益紧缺及加工带来的环境污染日趋严重,煤炭资源的清洁和高效利用成为人类普遍关注的热点课题。煤岩显微组分按其原始基质、成因条件、镜下特征等分为镜质组、惰质组、壳质组三大类别,每一类别包含若干显微组分,其构成对煤的结焦性、粘结性、热破碎性质、对CO的吸附性能等有重要影响,因此对煤岩显微组分的分类与识别对于评价煤炭性能、指导煤岩配煤具有重要的意义。本文依据壳质组各显微组分在灰度分布、纹理及区域轮廓上方向性等特点,提取其基于轮廓波变换的灰度统计特征量,并提取Tamura纹理、Haralick纹理等特征量作为补充,设计不同的分类方案实现壳质组的分类。论文的主要内容如下:(1)在分析煤岩显微组分图像特点和查阅大量国内外相关文献的基础上,着重对壳质组各显微组分图像特征进行分析。(2)根据壳质组各显微组分纹理及区域轮廓的方向性特点,对其显微图像进行轮廓波分解,提取分解后各子带的灰度统计特征量;并提取灰度分布特征量、Tamura纹理特征量、Haralick纹理特征量和灰度分布特征量,分析各特征量对显微组分分类的可区分性。(3)基于支持向量机原理,采用“投票”法和“决策树”法两种方案设计组合分类器,分别选取有效特征向量集训练分类器,实现壳质组7个显微组分的分类。(4)作为对比,采用超限学习机原理及直接法和“决策树”法两种方案,设计组合分类器,实现壳质组7个显微组分的分类。(5)在Visual 2013和Matlab软件平台下编程实现论文中的特征提取和分类算法,并对不同算法所得的结果进行分析与比较。本文的创新和特色之处在于:利用图像分析的方法实现了质组显微组分的分类,从而实现了利用机器来进行自动分类的目的;在特征量的提取上,采用Contourlet变换将方向信息引入特征集,并在本文分类问题上获得了满意的效果。