近年来,数字图像处理技术在矿物浮选过程中得到了广泛的研究与应用。浮选泡沫表面状态信息与浮选生产状况、经济指标之间密切相关,通常不同的浮选工况,泡沫表面纹理深浅、清晰度、颜色等特征各不相同,可以通过识别泡沫图像来得到工况信息。然而,由于浮选泡沫图像含工业粉尘、光照噪声较大,影响了泡沫图像分类识别的准确度。因此研究如果降低噪声影响,提高分类识别准确率具有重要意义。论文主要研究工作与创新成果如下：(1)针对获取到的泡沫图像含噪声较大,影响了分类准确度的问题,提出了一种基于局部特征向量空间模型的泡沫图像分类方法。该方法通过对泡沫图像进行局部分块,抽取图像局部信息,再进行一定抽象处理后进行分类识别,能够有效降低噪声对分类准确度的影响。(2)在泡沫图像词袋向量的基础上,引入贝叶斯概率模型,并用最大期望算法对概率模型参数进行估计,提出了基于局部特征贝叶斯概率模型的泡沫图像分类方法。相对于基于局部特征向量空间模型的泡沫图像分类方法,该方法由于充分利用了经验知识和样本信息,分类准确率得到进一步提高。(3)针对因局部纹理、颜色等静态特征相似,难以识别出运动紊乱泡沫图像的问题,利用尺度不变特征变换算子,通过检测、匹配泡沫图像局部特征点,提取浮选泡沫图像的动态特征参数。(4)以硫浮选为对象,在分析了泡沫各类特征参数与工况关系的基础上,综合考虑泡沫图像局部的静、动态特征参数与浮选性能的关系,提出了基于局部静、动态特征的浮选泡沫图像分层分类识别系统。采用现场检测数据进行仿真研究,结果表明：本文所提出的基于局部静、动态特征的浮选泡沫分层分类识别系统能够达到很好的分类效果,为矿物浮选优化控制打下了基础。论文共有图52幅,表8个,参考文献62篇。