为推动洁净煤技术在煤炭行业的发展,煤矸石分拣成为提升煤质的重要手段,而煤矸石目标检测是煤矸石分拣的关键,该步骤的定位与类别能够为后续分拣设备提供动作信息。当前煤矸石检测方法较为成熟的是射线识别,但射线危害环境的同时,难以通过单维度结果对煤矸石目标定位;图像检测法由于其绿色、安全等特性,已成为该领域的研究热点,但现阶段煤矸石图像检测均采用表征学习的分类方法,将此类问题看作机器学习中的分类任务,存在识别目标单一,难以满足实际需求等问题。基于此背景,论文开展地面毛煤煤矸石目标检测算法研究,实现对皮带上煤矸石目标的检测。本文以某煤矿为背景,将地面毛煤的煤矸石作为研究对象。首先,结合煤矸石图像特征,利用人工提取与卷积神经网络提取特征方式,通过K-means对不同方式提取的特征与不同深度卷积层输出的特征进行聚类,从而提出用于有效提取煤矸石图像特征的深度;其次,通过风格迁移模型与仿射变换增加附着煤泥的煤矸石数据,达到提高后续模型检测附着煤泥目标精度、扩充原始数据集的目的;再次,针对煤矸石图像标注冗杂、人力资源投入过大等问题,提出基于半监督学习的半自动标注算法;从次,利用尺度与感受野的对应关系,提出了适用于50-150mm煤矸石目标检测模型尺度,并根据煤矸石数据集中目标大小信息,利用聚类算法为目标检测模型提供先验框信息,针对煤矸石检测属于密集型检测问题,提出了改进训练损失函数,得到适用于煤矸石检测的目标检测模型。最后,在同一硬件搭载与软件部署情况下,通过贪心算法对不同尺度、锚框、置信度的平均精度均值、检测速度、训练损失进行讨论,采用学习率预热+学习率衰减的方式充分训练煤矸石数据特征。论文实验验证了煤矸石目标检测模型的有效性,并且为适应现场对煤矸石检测的速度、精度要求,给出了适用于实际煤矸石目标检测的算法结构,更好地实现了对地面毛煤煤矸石目标检测的需要。