能源短缺和环境污染问题是当今社会关注和科学研究的热点问题。近年来,工业快速发展助推经济迈向新台阶的同时,也使得环境问题日渐突出。燃烧化石燃料作为我国能源的主要供给形式,其燃烧效率对提高能源的利用率和减少污染物排放起着至关重要的作用。其中气体燃料燃烧效率在一定程度上受当量比变化影响较大,对当量比的测量与控制,不仅可以有效提升燃料利用率和提高燃烧效率,而且有助于减少氮氧化物、未燃碳氢和颗粒物等有害物的排放,从而实现高效清洁燃烧。研究表明碳氢火焰燃烧过程中当量比与火焰自由基化学发光具有紧密的联系,通过测量自由基C2*与CH*的浓度比值可以间接获取当量比。火焰自由基的化学发光是燃烧过程中处于激发态基团发生能级跃迁时向外发射光谱的一种自发辐射现象,其发光颜色是自由基发射光谱的表征形式,蕴含大量反映燃烧状态的信息。因此,通过火焰颜色-发射光谱-自由基-当量比之间的相互联系,建立基于火焰颜色的当量比软测量模型,以反映火焰燃烧状态。传统基于颜色建模的当量比检测方法,通常采用单一颜色变量拟合得到燃烧当量比与颜色变量之间的函数关系,但由于光学系统散射和图像传感器光谱响应不同的影响,仅通过单一变量构建的软测量模型往往存在较大的测量误差。因此,本文提出以机器视觉采集火焰多颜色特征作为模型输入,利用机器学习方法训练建立多输入/单输出的颜色-当量比模型。首先,本文以甲烷火焰研究对象,采集了不同工况下的甲烷燃烧预混火焰图像数据,并对图像进行预处理,包括异常数据剔除（模糊的火焰图像）和图像滤波,进一步利用数字火焰颜色分布（Digital Flame Colour Distribution,DFCD）技术实现黄红色火焰与蓝色火焰的分离,最终获取火焰图像目标区域,即感兴趣区域（（Region of Interest,ROI））。其次,设计火焰不同颜色空间模型下各颜色分量的比值作为特征,并提取了不同特征的一阶颜色矩、二阶颜色矩、三阶颜色矩、最大值、最小值、标准差,基于包裹法（Wrapper）和过滤法（filter）相结合的手段实现特征选择,最终获取反映火焰燃烧状态的优质特征。最后,在特征工程构建的基础上,基于BP神经网络、极限学习（ELM）算法、支持向量机（SVM）机器学习算法建立甲烷燃烧预混火焰当量比软测量模型,对比分析不同算法模型特点,并将改进的SVM算法应用于丙烷燃烧预混火焰当量比软测量建模,以验证本文提出方法的可行性。