随着我国经济发展方式的转变,煤炭行业由粗放型生产向精细化转型,智能化开采成为煤炭安全高效开采的发展趋势。国家安全生产监督管理总局提出的科技强安专项行动将煤炭智能化开采技术列为重点研究方向,以机械生产代替人工作业。煤矸分选作为煤矿开采的首要环节,实现煤和矸石自动分选需要攻克的技术难点之一就是准确完成煤和矸石的识别和定位。目前,已有学者在煤和矸石目标识别方面进行广泛的研究,但传统的煤和矸石识别方法存在特征提取困难、泛化能力弱、未实现定位等问题。针对以上问题,本文提出了一种基于深度学习的煤和矸石识别方法,希望提高煤和矸石识别的准确率。对煤和矸石图像进行分析,并合实际工况,确定煤和矸石图像样本集采集原则,对采集的煤和矸石图像进行筛选,确保煤和矸石图像样本集的有效性。采用尺寸图像训练,并对像随机裁剪,进行图像翻转、明亮度变化、添加噪声等方法对煤和矸石图像数据集进行扩充。采用留一交叉验证对煤和矸石图像数据集进行划分,为煤和矸石图像识别奠定数据基础。针对卷积神经网络在图像识别过程中,网络结构不同,对图像识别效果不同,对比分析AlexNet、VGGNet、GoogLenet三种卷积神经网络对煤和矸石识别的效果,针对卷积神经网络模型存在过拟合现象,添加正则化、权值衰减因子,对网络模型进行优化,并进行煤和矸石图像识别实验。针对提高模型识别率,提出基于卷积神经网络的迁移学习,采用批归一化算法对数据集在网络内部进行归一化处理,采用DisturbLable算法对卷积神经网络添加噪声,对网络模型进行优化,提升模型识别效果。通过实验验证,改进的模型在煤和矸石数据集上识别效果得到了提升。