烧结矿是炼铁的主要原料，烧结矿质量的好坏，对高炉冶炼性能影响很大，而氧化亚铁（FeO）含量代表了烧结矿的还原性，是烧结矿非常重要的质量指标。准确检测氧化亚铁含量等级，对指导烧结生产意义重大。虽然检测烧结尾矿FeO含量的方法有多种，但各有不足之处。目前大多数烧结厂仍采用最简单的人工“看火”方法。由于看火工素质的不同、经验的差异、责任心的强弱等主观因素，会造成检测结果的不稳定，影响烧结控制自动化程度的提高。因此如何能充分利用看火工的经验技巧，又能提高检测的准确度，是一项富有挑战性的工作。针对上述情况，我们研究了烧结矿FeO含量图像智能检测系统，在线检测FeO含量等级。 论文首先介绍了烧结矿化学成份检测在国内外的研究现状，数字图像处理的基本知识，数字图像处理的主要内容及其在冶金行业中的应用。论文研究了图像的获取方法和图像预处理的算法，并对采集到的图像进行了平滑去噪、图像增强，图像分割、数学形态学的腐蚀算法等预处理。分析了图像的常见目标特征，根据特征量的选取原则，结合看火工的经验，提取了五个与FeO含量相关的断面图像特征向量。 本文介绍了模式识别、模糊聚类分析及其在图像处理中的应用，提出了运用聚类分析的方法，对烧结尾矿化学成份进行智能检测，以减轻工人的劳动强度，确保检测结果的稳定性，为提高生产控制的自动化水平打下基础。论文重点研究了模糊聚类算法中的模糊C均值聚类算法，对分类数和模糊因子进行了优化，并运用此方法对图像样本数据库进行了分类识别。选用了混合F统计量来确定最佳分类数，并运用模糊划分熵进行验证。由于现场环境恶劣，温度高，粉尘大，对系统的硬件设计和软件提出了更高的要求。本文详细介绍了系统的硬件组成和软件设计方案，并对各功能模块进行分析。 最后，在国内某大型钢铁（集团）公司炼铁厂1＃烧结机进行了实验。对采集到的图像样本进行处理，提取特征向量，构成特征向量集，并运用模糊C均值聚类算法进行智能分析、分类识别。实验数据表明，智能检测分类结果准确。由此验证我们提取的图像特征参数有效，给出的算法是可行的。