煤炭被誉为“工业的食粮”,在能源、化工等领域扮演着重要的角色。随着科学技术的不断发展,矿业领域的智能化是发展的必然趋势。煤矸智能分选可以推动矿业领域智能化进程,而煤和矸石的精准辨识是煤矸智能分选的重要前提。传统的煤矸辨识方法存在一些不足（消耗水资源、存在辐射、受环境干扰等）,无法满足智慧矿山对于煤矸分选精准、高效和绿色的要求。多光谱成像（Multispectral Imaging,MSI）作为一种高效的无损检测手段,在农业、食品科学和生物医学等领域有着广泛的应用。本文研究利用MSI对煤和矸石进行精准识别,重点围绕煤和矸石的精准识别、图像信息识别、光谱信息识别、异构融合识别以及抗干扰等问题,开展煤矸辨识模型的研究。本文的主要研究内容如下:（1）研究了多光谱煤矸识别的波长筛选问题。利用煤和矸石在675-975nm区间的25个波长的多光谱图像信息,基于HOG、LBP和Haar来提取煤和矸石的图像特征,最后喂入网格搜索支持向量机（Grid Search Support Vector Machine,GS-SVM）、遗传优化支持向量机（Genetic Algorithm Support Vector Machine,GA-SVM）和（Particle Swarm Optimization Support Vector Machine,PSO-SVM）分类器构建煤矸辨识模型,用于筛选煤矸辨识的最佳波长位置,同时确定特征提取和分类器的组合策略。实验表明:煤和矸石多光谱数据的第9个波长（773.776 nm）的图像信息可实现更好的分类效果,且使用LBP结合GS-SVM的组合策略可以获得最高的测试集样本识别精度（96.25%）和训练样本识别精度（99.375%）,此时C=8,g=0.17678。（2）研究了煤矸多光谱图像信息的识别问题。利用煤和矸石在773.776nm处的多光谱图像信息,基于Plain类网络、Inception类网络和Residual类网络,并借助SGD、Adam、Adamax和Nadam优化器构建煤矸辨识模型,用于确定二维卷积神经网络（Two Dimensional Convolutional Neural Network,2D-CNN）最佳的结构和参数。同时,考虑到主成分分析网络（Principal Component Analysis Network,PCANet）是在卷积神经网络（Convolutional Neural Networks,CNN）基础上进行简化的一种深度学习模型,利用两层的PCANet网络模型来构建最佳的煤矸识别模型,并与2D-CNN识别模型进行比较。实验表明:使用Adamax作为优化器包含两个二维Residual单元的2D-CNN模型能够实现平均识别率的最大化（98.75%）和平均损失的最小化（0.0328）,而基于两层的PCANet网络结构的煤矸识别模型也能够实现98.75%的识别精度,此时的模型参数为:k1=k2=3,L1=L2=2,局部直方图块尺寸设定为[8 12],块重叠比例设定为0。（3）研究了煤矸多光谱光谱信息的识别问题。利用煤和矸石在25个波长位置的光谱信息,基于两种常见的一维卷积神经网络（One Dimensional Convolutional Neural Network,1D-CNN）结构,并借助 SGD、Adam、Adamax 和 Nadam 优化器,使用 ReLU函数及其改进型函数作为激活函数构建煤矸辨识模型,用于确定1DCNN网络最佳的结构和参数。实验表明:使用Nadam作为优化器的1D-CNN-B包含三个一维卷积单元B的网络,同时使用PReLU作为激活函数,该模型能够实现平均识别率的最大化（98.75%）和平均损失的最小化（0.0382）。（4）研究了煤矸多光谱图像信息和光谱信息的异构融合识别问题。综合利用煤和矸石在第9个波长处的图像信息和在全部25个波长位置的光谱信息,基于异构融合网络的基本结构,使用ReLU、PReLU及其组合作为激活函数,借助Adamax和Nadam优化器分别构建煤矸辨识模型,用于确定异构融合网络最佳的结构和参数。实验表明:使用Nadam作为优化器,并将PReLU作为激活函数的异构融合网络用于煤和矸石的辨识能够实现更好的分类效果（平均识别率为99.17%,平均损失为0.0211）。（5）研究了煤矸识别模型的抗干扰问题。为了验证本文提出的煤矸识别模型的鲁棒性,设计了两组抗干扰实验,分别添加高斯噪声、泊松噪声和椒盐噪声等噪声信号,用于验证基于多光谱数据所构建的煤矸识别模型的抗干扰能力。实验表明:基于CNN的煤矸识别方法对于出现相同或者不同的环境动时都具有较强的抗干扰能力;而使用图像特征提取方法和SVM分类器组合策略的煤矸识别方法对于出现不同的环境扰动时,抗干扰能力很差。本文为煤矸的辨识问题提供了一种新的思路,主要将MSI结合深度学习中的CNN及改进结构用于构建精准辨识模型。针对煤矸的MSI识别问题,相比于传统识别方法,CNN经结构和参数优化的辨识模型具有识别精度高和抗干扰等特点。借助“理论分析、实验模拟和数值仿真”三位一体的研究策略,从煤矸辨识的行业需求出发构建模型,进而辅助煤矸智能分选,对于煤炭行业的智能化建设进程具有一定的推动作用。图[54]表[27]参[178]