燃煤窑炉广泛应用于冶金、发电等工业领域,是一类具有大滞后、强非线性的复杂工业对象,数学建模困难,难以有效控制。目前的燃煤工况监测主要依赖于“人工看火”,这直接影响着产品质量、能源消耗等。由于燃煤火焰图像中蕴含了丰富的燃煤工况信息,因此基于燃煤火焰图像进行燃煤工况识别是实现燃煤窑炉稳定控制的关键。近年来,深度学习在图像识别领域表现出优异的性能。由于性能良好的深度学习模型需要大量的带标签样本,而在燃煤窑炉实际生产中杜绝发生异常工况,因此很难获取大规模带标签燃煤火焰图像。针对此问题,迁移学习技术已被广泛应用于图像识别中以提高识别效果。因此,针对燃煤工况识别精度低以及监督深度学习需要大量带标签燃煤火焰图像的问题,本文研究基于深度迁移学习的燃煤火焰工况识别方法,以提高燃煤工况的识别精度,对燃煤工业的节能降耗、提高生产质量具有重要意义。主要研究内容分为以下几点:（1）研究了卷积神经网络基本结构、优化算法以及训练流程,并分析了其在图像识别领域中存在的优势与不足。同时阐述分析了迁移学习方法的基本原理、分类以及迁移学习在深度学习中存在的优势。（2）为提高燃煤工况识别精度,解决带标签燃煤火焰图像数据不足的问题,本文提出一种基于深度CNN模型迁移的燃煤工况识别方法。在燃煤火焰图像数据集上,对四种预训练模型Alex Net、VGGNet、Goog Le Net以及Res Net进行微调,实现燃煤火焰工况的识别,并评估四种模型在燃煤火焰工况识别任务中的迁移性能。结果表明本文所提方法具有较好的燃煤工况识别效果,且基于Res Net的迁移学习模型的工况识别效果最佳。（3）为解决传统迁移学习方法无法较好地捕获燃煤火焰图像的领域特定特征的问题,本文提出了一种基于无监督深度迁移特征的燃煤火焰工况识别方法。采用无监督学习方法DBN结合预训练模型Res Net,在通用迁移特征的基础上进一步提取燃煤火焰图像的领域特定特征,进而实现燃煤工况识别。实验结果表明,融合迁移学习和无监督学习方法,比传统的迁移学习方法和先进的监督微调方法具有更高的工况识别精度,并进一步减少了对带标签燃煤火焰图像数据的依赖。（4）为进一步优化燃煤火焰工况识别模型的性能,增强模型的鲁棒性,避免过拟合,提出了一种基于集成深度迁移学习的燃煤工况识别方法。在无监督深度迁移特征的基础上,采用性能较好的预训练模型VGGNet、Goog Le Net以及Res Net构建基分类器,使用经Bagging算法抽样后的数据集对基分类器进行训练。然后通过相对多数投票法对各基分类器的输出进行集成,提高模型性能和工况识别精度,实验验证了方法的有效性。