煤炭是我国的主要能源,对国民经济的发展起着至关重要的作用。在煤炭的开采过程中除了煤炭,还往往伴随着大量的煤矸石的产生。煤矸石的主要成分是岩石,其密度大、灰分高、发热量小,如果工业生产用煤中混有煤矸石,将严重影响煤炭的燃烧质量。因此在工业生产使用前必须对煤与煤矸石进行分选。近几年来,得益于高性能计算机和成像设备的普及,使得基于图像的煤矸石分选方法变得可行且易于实现。煤块的颜色比较黑,其表面纹理相对于煤矸石也有较大的差异。因此对煤和煤矸石的图像灰度和纹理分析将有助于它们的识别。本文利用灰度共生矩阵所提取的3个特征并结合SVM进行分类,并且研究了目标定位算法,取得了较好的效果。在计算灰度共生矩阵的过程中,本文采用了GPU进行了加速,并且提出了以下的论点和算法:(1)本文论述了在灰度共生矩阵中,灰度级和灰度变化对GPU运算时间存在影响的主要原因是多个线程在对同一地址读写时存在原子冲突,从而导致这些线程操作的串行化。针对该问题,本文提出了一种解决思路,即在每个活跃线程块的共享内存中放置多个灰度共生矩阵副本,线程块内的线程利用一定的规则将投票结果写入不同的副本中。(2)由于数据从主机端传输至设备端耗费总处理时间的一半。极大制约了程序执行的效率和实时性。为解决该问题,本文提出了一种基于CUDA流的图像分块处理策略,目的是让传输和计算尽可能的同时进行,从而做到数据传输和内核执行的负载均衡。与以上传统的手工选择特征算法的不同之处在于,卷积神经网络是一种数据驱动的机器学习方法,大大推动了计算机视觉领域技术的发展,它无需人工构造特征而可以自主地学习煤与煤矸石的纹理特征,其通过对非线性模型进行训练将原始数据变为、更高层次的表达。对于分类任务,高层次的表达能够强化输入数据的区分能力,以及削弱不相关因素。因此本文将煤与煤矸石分类任务与卷积神经网络相结合,提出了基于卷积神经网络的煤矸石分选算法。本文研究有如下主要贡献:(1)据对当前研究以及应用现状的调研,本文首先将卷积神经网络应用于煤与煤矸石的分类。(2)由于所采集到的标签数据集较小,可能会导致卷积神经网络的训练困难,极容易出现过拟合等问题。本文提出了利用从其他领域学习到的卷积神经网络权重来初始化卷积神经网络。并通过对比实验证明了该策略的有效性。(3)为了方便以后算法能够被更稳定、高效的移植在硬件平台上,本文对训练完后的网络进行权值剪枝操作。实验证明该策略使得模型的存储空间被有效地降低,且速度有所加快。