我国日益严格的环境保护标准要求减少电站锅炉的燃烧污染排放，而优化锅炉炉内燃烧工况不仅是控制燃烧污染排放的有效途径，而且能减少燃料量和避免炉内爆管事故，从而能提高电站锅炉燃烧的安全性和经济性。作为燃烧优化措施，近年来，我国在燃烧器改造、冷态空气动力场数值模拟等方面做了大量工作，对电站锅炉燃烧状况的改善起到了重要作用。然而三大主机中，相对于汽机和发电机组来说，用于判断燃烧状况的炉内燃烧监测技术的研究却是一个相对薄弱的环节。本文的主要研究目的是建立一套基于图像处理和人工智能技术的燃烧监控系统，来实现火焰可视化和燃烧智能诊断，从而为电站运行人员提供有效的运行指导信息。 首先，本文充分研究了火焰图像处理系统中彩色CCD的工作原理、色度学原理、成像系统的辐射度学原理、几何光学模型以及数字化成像原理，并建立了燃烧可视化监控系统的硬件框架。 其后，本文基于火焰图像，借鉴医学CT重建原理，建立了火焰截面温度场重建模型和算法，并进行了实验验证。针对截面温度场重建时间长，不能满足电站锅炉实时监控要求的矛盾，本文建立了截面温度场中心实时监测模型，为判断燃烧中心以及防止燃烧偏心、射流冲墙等不正常工况提供了重要的依据。 当然，燃烧状态的预测也是本文研究的重点。在利用自组织神经网络为燃烧状态定义了一个量化指标后，本文基于火焰图像和BP神经网络实现了燃烧状态的预测。 在燃烧污染物排放的监测上，本文也进行了大胆而富有成效的尝试，提出了炉膛出口NO_x排放量监测模型，实现了根据火焰图像来跟踪监测炉膛出口NO_x的排放浓度。 最后本文简要介绍了火焰图像处理系统在300MWe电站煤粉锅炉上的初步应用。阐述了系统的设计思想、硬件组成和软件功能。这套系统为进一步开展火焰可视化和燃烧智能诊断的研究打下了基础。