煤炭作为最有影响力的化石燃料之一,在开采过程中,通常伴随着煤矸石。煤矸石的堆积导致土地资源的浪费和环境的破坏,因此煤与矸石的分离是煤炭工业的一个重要研究方向。现有煤矸石分选是通过人工分选和机械分选等多种技术完成的,存在着严重的问题。人工分选需要熟练工人的经验,但工作环境对工人的健康影响很大,而机械程序则严重影响工作环境和生产质量。计算机视觉和神经网络的引入不仅保障了工人的安全,在提高分离系统效率方面也发挥了巨大的作用,但它们仍然存在煤矸石视觉相似性等重大问题,无法直接利用原始图像信息对煤矸石进行有效地识别。因此,本文结合感知机理,研究煤矸石识别问题。针对每种物质根据其成分具有不同的热量排放这一事实,提出多种基于热图像的煤和煤矸石分类模型,此外基于物体的体积和重量之间的关系,提出多个基于煤矸石体积感知与预测的煤矸石识别模型。本文主要研究内容如下:（1）通过研究了煤矸石在一定情况下的热辐射效应,构建一种基于热图像的煤矸石分选SVM模型YCb Cr-SVM。首先利用红外辐射原理,通过比较黑体煤和煤矸石在不同温度下的发射率功率与波长构建煤矸石识别相关的物理原理模型,为基于热图像的煤矸石分类模型提供参考依据。在此基础上搭建热图像数据采集平台,基于YCb Cr颜色空间表示,提取热图像Cb颜色信息作为特征,利用高斯SVM的对煤与煤矸石进行分类,与基于普通数字图像的方法对比,证明基于热图像方法的优越性。（2）针对基于SVM模型的煤矸石识别需要大量分析和提取热图像特征,导致模型识别效率降低的问题,开展快速提取煤矸石热图像特征的研究。根据卷积神经网络（CNN）在图像处理中的优势,提出了一种基于CNN的煤矸石热图像特征提取方法,构建了一种煤矸石识别模型CGR-CNN,通过对煤矸石热图像特征的训练与测试实现煤矸石准确、高效的识别。（3）针对基于热图像特征的煤矸石识别模型受热环境影响,导致模型使用受限的问题,开展通用煤矸石识别方法的研究。根据煤和矸石的密度差异,提出基于样本体积与重量关系的识别方法,构建了基于样本体积的煤矸石分类模型VW-SVM,设计了Ex MW＿SVM、CGVP＿CNN和MCGVP＿CNN三种模型来预测样本体积,用于VW-SVM模型的测试,实现基于体积与重量关系的煤矸石识别。