在我国工业能源结构中,煤炭占一次能源比例高达70%,在工业生产、人民生活相关领域中始终保持不可或缺的地位。开采获取的原煤会搀杂矸石等不可燃杂质,如直接使用将降低锅炉等设备的热效率、无法充分发挥煤炭能源效能,造成资源浪费且效益低下,必须经过多级精细固态分选、液态浮选等工艺环节处理才能应用于工业生产。当前煤矸分选的主要模式是人工排矸,以人为主体的劳动模式将不可避免引发排矸效率低、劳动强度大等问题,严重限制优质煤的加工效率。得益于成像设备和计算机处理技术的发展,使得基于机器视觉的煤矸分选方法变得可行,本文依托导师项目研发合作,与唐山X泰公司联合开展智能煤矸分选技术研发,关键解决煤矸分选视觉识别模型精度低下问题。本文主要工作为建立面向煤矸分选的深度识别模型,同时对传统机器视觉方法以及基于深度学习的煤矸识别方法进行探讨和分析。具体工作主要集中在以下几个方面:1.建立煤矸分选专用数据集。由于不同煤矿的煤质,采集环境之间存在较大差异,为精准完成煤矸分选,在合作选煤厂的运煤传送带上安装图像采集框架,对采集到的图像进行预处理,包括图像去反光和图像增强等操作,最后通过学生粗标、导师精标、专家审核等层次化标注流程,完成针对目标选煤厂及对等煤源的视觉数据标注。2.煤矸分选的深度学习识别方法研究。为建立针对煤矸分选的深度视觉模型,本文使用F1分数、AP70、帧率等三个实验指标对比分析YOLOv4与FCOS、Center Net、Efficient Det等同类型检测框架在识别准确率、定位精度、检测实时性等方面的差异,并在标注煤矸数据集上验证其煤矸检测性能,选定YOLOv4作为煤矸识别的基本框架。3.针对YOLOv4在煤矸检测上性能提升的模型改进方法研究。由于YOLOv4在煤矸检测结果中存在定位精度不高和识别准确率较低的问题,本文在YOLOv4的基础上进行改进:一方面,在检测头部引入IoU感知（IoU-Aware）分支预测先验框的交并比（Intersection over Union,IoU）,并对推断阶段的检测置信度进行改进,修改后的检测置信度为原先置信度与先验框IoU的乘积,可以提高检测置信度与IoU之间的相关性,同时在训练阶段将IoU预测的误差添加入误差函数中,引导检测框架的优化,改进后的检测框架能显著提高定位精度。另一方面,引入自适应训练样本选择（Adaptive Training Sample Selection,ATSS）算法代替YOLOv4原有训练样本区分方法,ATSS可以选择更符合煤矸样本分布的训练样本进行训练,YOLOv4与ATSS的组合可以有效提高在煤矸检测结果中的识别准确率。经验证测试,结果表明本文提出的YOLOv4+ATSS+IoU-Aware检测框架相比YOLOv4在煤矸分选识别准确率及定位精度指标方面有明显提升,且计算效率满足实际需求,具有一定的适用性和应用价值。