合理利用煤炭资源是长期发展的必要条件,为了能够提高煤炭的利用率,提升经济效益,需对不同热值的煤炭进行配比燃烧,以消耗更少的煤炭达到目标发电量或温度。论文采用高光谱成像技术结合机器学习的方法,联合空间信息和光谱信息建立煤炭热值检测模型,实现对煤炭热值准确、高效、无损地检测。首先,研究煤炭不同水分含量、粒度等级和密度等级对平均反射光谱的影响。实验分析表明,对于同一样本,在一定范围内煤炭的平均光谱曲线高度会随着水分含量的增加而降低,随着粒度的增大而降低,随着密度的增大而升高。在后续实验中,采用相同粒度和密度的煤炭样本,并保证包装的密封性,为准确检测煤炭热值奠定基础。其次,基于特征波段光谱信息实现煤炭的热值检测。提取感兴趣区域的平均光谱信息,采用四种组合方法进行处理,对比选出最优的预处理方法。针对传统BP神经网络的局限性,采用附加动量项法和自适应学习率法进行改进,采用粒子群算法选择模型初始参数,实验证明改进后的模型拟合度有所提升。分别采用竞争性自适应重加权算法和连续投影法对煤炭的成分和热值进行特征选择,通过对比确定最优的特征选择方法。结合改进的BP神经网络分别建立基于成分的煤炭热值检测模型和基于特征波段光谱信息的煤炭热值检测模型,将两种模型对比分析,证明了基于特征波段光谱信息的煤炭热值检测方法的可行性与有效性。最后,联合特征波段空间信息和光谱信息实现煤炭的热值检测。基于高光谱图像的低秩特性,设计基于加权截断核范数和混合全变分的高光谱图像去噪方法,去除高光谱图像中的混合噪声。在进行热值特征选择的基础上,提取出煤炭热值特征波段图像的灰度特征,采用堆叠自编码器对联合的空-谱信息进行深度特征提取,结合改进的BP神经网络建立基于联合空-谱信息的煤炭热值检测模型。将该模型与基于成分的热值检测模型和基于特征波段光谱信息的热值检测模型进行对比,分析结果表明,在加入空间灰度特征后,可进一步提高模型的精度和稳定性,证明了基于联合空-谱信息的煤炭热值检测方法的可行性与有效性。