本文对基于图像的煤矸识别技术进行了系统研究。介绍了煤矸识别对提高自动化煤炭生产的重要意义。传统的采煤机调高和拣矸作业多是由人工手动完成。为实现采煤机自动调高和智能化拣矸作业,本文应用了基于灰度和纹理的煤矸图像识别法。针对实际生产中煤和矸石快速、准确的识别要求,论文按照地域之分建立了以瘦煤、页岩为主的韩城矿区样本集;以焦煤、砂岩为主的冀中矿区样本集;以多种类型煤炭、多种类型矸石混合的煤炭科学总院西安分院地质所的多矿区样本集,并在实验室中搭建了相应的煤矸图像采集系统。针对实际煤炭生产中存在的干扰,应用了基于局部灰度变换法的图像增强技术和基于自适应维纳滤波的图像滤波技术对采集到的煤矸图像进行了优化处理,并取得了较好优化效果。采用灰度统计法对煤和矸石的多个特征进行提取,发现煤和矸石的灰度均值、灰度峰值强度存在较大差异,可以组成灰度特征向量。采用纹理法对煤和矸石的多个特征进行提取发现,煤和矸石的灰度共生对比度和灰度共生熵存在较大差异,可以组成纹理特征向量。以灰度峰值强度、灰度共生对比度构造灰度和纹理的联合特征向量。选取最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)作为煤矸识别的机器模型。本文用3种类型的特征向量对LS-SVM模型进行训练及测试。结果表明,以煤和矸石图像的联合特征作为LS-SVM的特征向量对煤和矸石识别的准确度高于单独以灰度特征或纹理特征为特征向量的识别准确度。以联合特征为特征向量量以LS-SVM为分类方法,得到陕西韩城矿区煤和矸石的识别率分别为100%和100%,河北冀中矿区煤和矸石的识别率分别为98.6%和100%,煤炭研究总院西安分院地质所多矿区煤和矸石的识别率分别为94.0%和96.0%。由此可得,本课题选取的分类器和特征向量是有效的。