原油是我国国民经济发展不可或缺的重要能源,从新开采的原油到现实生活中的成品油,需要经过固体杂质分离、气体杂质分离、原油与污水分离等过程,其中油水分离过程仍然是国内外研究人员的一项难题。虽然国内外研究人员在油水界面检测中取得了一定成果,但是原油与污水之间的界面检测与油水分离控制系统仍然需要进一步改进。针对现有的油水界面检测方法精确度不高的问题,本文采用改进K-means图像分割算法来获取原油与污水之间的界面;针对传统PID控制器作为油水分离控制系统的控制器不能满足实际油水分离控制效果的问题,本文采用BP神经网络学习算法自动调整增量式PID控制器的、4)和(（9）三个参数,实现油水分离罐中排水阀开度大小的合理控制。本篇论文主要贡献体现在以下几个方面:（1）采用模板匹配的方法,定位油水界面位置以及观察油水界面之间乳化层周围的液包分布;采用改进的Canny边缘检测算子,检测油水界面边缘信息;采用Seed Filling区域距离算法,计算油水等效界面与图像上边界的距离。（2）采用CNCS-Kmeans硬聚类算法,并将其应用在油水界面检测中的图像分割实验。通过Python软件Open CV计算机视觉库,将CNCS-Kmeans硬聚类算法、经典K-means硬聚类算法和高斯混合模型的EM算法优化的软聚类算法（GMM-EM）分别应用在油水界面检测图像分割的过程。结果表明,本文采用的CNCS-Kmeans硬聚类算法应用在油水界面图像分割时,可以减少算法的训练次数和运行时间,具有较好的全局分割效果。（3）在油水分离过程中,本文采用BP神经网络PID控制排水阀开度大小,实现对油水界面位置高度的有效跟踪。通过在Simulink模块下对模型建模与仿真,并且通过实际油水界面实验环境及平台的搭建。仿真和实验结果表明,本文采用的BP神经网络PID控制器应用在油水分离过程时,油水界面跟踪效果好,并且提高了系统的可靠性、准确性,适应于油水分离的控制系统。