镍是我国不可缺少的战略金属。镍冶炼行业主要采用硫化镍阳极电解精炼工艺生产镍产品。在镍电解精炼生产过程中,发现和消除镍电解槽中铜棒异常发热/断路故障以及阴极补液口水流堵塞状况,是镍电解生产过程管理的重要内容之一。目前,国内镍电解行业内仍然采用人工巡检的方式阴阳极铜棒状况和循环管新液畅通状况,工作量大,劳动强度高。因此实现在镍电解生产现场的自动化检测,及时对镍电解过程中的故障进行预警,能够有效降低人力成本和劳动强度,提高镍电解的生产效益。本文的研究内容是运用目前较为成熟的计算机视觉方法,针对铜棒红外图像和补液口水流图像进行图像分析、处理及识别技术的研究,还提出了镍电解过程中相应的铜棒导电状态识别和补液口水流检测方法,主要工作内容包括两个部分:（1）基于支持向量机的红外铜棒导电状况识别方法。首先根据镍电解槽铜棒的位置分布特点和灰度特性,选取不同初始种子生长点,通过区域生长算法完成每根铜棒的分割和定位。其次分析和提取铜棒灰度图像的灰度特征和图像Hu矩,构成样本特征向量,采用支持向量机（SVM）对图像样本进行训练和故障预测,完成对铜棒的正常运行状态、异常发热状态以及断路状态三种导电状态的识别任务,在现有的样本上支持向量机模型的准确率可以达到90%。（2）基于图像识别技术的阴极补液口水流检测方法。首先对于低光照、低对比度的水流图像,运用自适应局部伽马变换算法,实现图像增强,提高水流流动区域的对比度;其次本文提取水流图像的Haar特征,训练Ada Boost级联分类器,以检测阴极补液口附近有无水流,将其分为水流区域和非水流区域,最终在现有的水流样本数据上达到85%的准确度。同时考虑使用YOLOv3深度网络模型,借助强大的数据学习能力,完成水流目标检测。该模型能够达到92.1%的准确率,并且对于遮挡、反光等难检样本具有较好的识别能力。本文的工作在现有样本数据集下均能较好地完成上述镍电解过程故障识别任务,同时基于现有工作内容基础上进行了展望,未来在镍电解工艺现场实现移动平台自动化检测的过程中,能够针对镍电解过程故障识别方法上作出进一步调整和改进。