燃烧是化石燃料能源利用的重要手段,广泛应用于能源动力、航空航天、电力、化工和冶金等各个工业生产领域。但是在化石燃料燃烧过程中产生多种空气污染物,氮氧化物（NOx）是其中之一,易引发光化学烟雾、酸雨、臭氧层空洞和温室效应等严重的环境问题,对人体健康和生态环境有着极大危害。随着我国经济迅猛发展,工业、生活能源需求快速增长,导致化石燃料燃烧造成的环境污染愈发严重,为此NOx等污染物的排放受到了严格限制。燃烧优化与烟气脱硝处理是降低燃烧过程中NOx排放的主要方式,而这两种减排方式都需要对NOx生成量进行精确监测,因此实现准确、可靠的NOx浓度预测具有重要意义。本文提出了一种基于火焰图像和深度学习的NOx浓度预测方法,并在重油燃烧装置上开展了实验研究。首先,搭建了一套重油燃烧试验装置,包括转杯式燃烧器系统、图像采集系统以及烟气分析仪,在燃烧装置运行过程中连续获取燃烧火焰图像和NOx浓度。设计多种燃烧工况,并采集每种工况下的火焰图像以及相应的NOx浓度,通过对火焰图像数据进行标注,构建了用于NOx浓度预测方法的图像数据集。然后,详细研究了LeNet-5和VGGNet两种典型深度卷积神经网络的结构和原理,在此基础上设计基于火焰图像与两种深度卷积神经网络的NOx浓度预测模型,并探究激活函数、自适应学习率算法、池化方式和卷积核参数对于预测精度的影响,实验结果表明:基于VGGNet模型的预测精度优于Le Net-5模型,说明小卷积核和深度网络结构有利于提高火焰图像识别能力;采用sigmoid函数和tanh函数时,深度卷积神经网络无法拟合火焰图像与NOx浓度的关系;在相同的训练次数下,Adam算法的预测精度优于Ada Grad和Adadelta算法;采用均值池化与最大池化的预测性能相当,均可在模型中使用;层叠的3′3卷积核比5′5卷积核更具优势,能够提高网络的非线性学习能力;对于小样本数据,减少卷积核数目可降低训练时间,同时模型仍保持良好的预测性能。最后,分别探究了基于机器学习与基于循环神经网络的NOx浓度预测方法。首先利用DCNN对火焰图像的深层特征进行提取,然后采用SVM、GPR、RFR等机器学习方法或Simple RNN、LSTM、GRU等循环神经网络对所提取到的DCNN深层特征进行分析,从而实现NOx浓度预测。实验结果表明:在3种机器学习模型中,DCNN-SVM预测性能最佳,测试集均方根误差为1.30 mg/m~3,低于基于静态物理特征预测模型,表明DCNN-SVM具有良好的预测精度,克服了浅层静态物理特征表达能力的不足;DCNN-LSTM的均方根误差为1.22mg/m~3,优于DCNN-Simple RNN和DCNN-GRU,提升了NOx浓度预测精度。