随着科技的发展，选煤自动化程度逐步提高，推动了煤炭洗选效率和经济效益的增长。然而国内选煤厂的自动控制还停留在自动启停车、介质密度桶液位控制、自动加药控制、产品灰分实时监测等零散反馈控制阶段，未能对整个生产环节进行实时监测和调控，主要原因在于目前没有任何技术能够实时监测入料煤和产品煤组成信息，进而不能对整个生产环节进行实时控制。为此，论文提出了基于机器视觉的煤质快速分析方法，力图在线测定煤的粒度组成、密度组成和平均灰分。论文以太西无烟煤为研究对象，建立了一套煤质快速分析实验系统。提出了三种煤粒图像分割方法即非接触煤粒背光图像分割方法、煤堆图像局部分割方法和煤堆图像整体分割方法。非接触煤粒背光图像分割方法主要针对背光散粒煤图像，采用双峰法、面积阈值和孔洞填充算法精确分割不重叠煤粒；煤堆图像局部分割方法为半自动分割方法，结合人工勾勒目标区域和彩色图像分割方法识别煤堆中的目标煤粒区域，其中还涉及到形态学图像处理、分水岭边缘处理、面积阈值区域筛选和煤粒区域最小外接矩形截取等算法；煤堆图像整体分割方法采用对比度受限自适应直方图均衡法、最小值和最大值滤波算法增强图像，进而引入Hessian矩阵和高斯函数的多尺度线性滤波器进行煤粒边缘检测，其效果比传统边缘检测算法更可靠更精确，最终采用双阈值边缘连接和标记分水岭分割算法识别煤粒区域；前两种图像分割方法主要用于精确建立预测模型，而第三种图像分割方法用于煤质快速分析；同时还提出了一种煤堆图像分割效果量化方法，结果表明煤堆图像整体分割方法误差区域百分比为12.76%。建立了一个基于机器视觉的煤粒质量预测模型，将煤粒图像二维信息转化为三维信息。通过对比分析煤粒区域实际大小与图像测量大小，表明图像测量方法精度很高；发现了煤粒区域面积与周长、最小外接矩形长和宽之间的指数关系，并分别采用最小二乘法建立了三个指数关系模型；采用多重线性回归方法（MLR）建立并优化了煤粒厚度预测模型，结合煤粒区域面积和密度提出了煤粒质量预测模型，测试结果表明煤样质量预测相对误差在±6%以内。提出了一种基于机器视觉的煤堆粒度组成快速分析方法。通过对比分析，采用最小外接矩形宽（DB）表征煤粒粒度；通过建立表面煤粒区域所属粒级的概率模型，提出了煤堆表面重叠误差校正方法；采用R-R粒度特性方程探寻煤堆整体粒度分布参数和表面粒度分布参数之间的内在关系，提出了煤堆颗粒偏析误差校正方法；结合上述研究提出了一种煤堆粒度组成预测方法，测试结果表明实验次数越多，预测误差越小，两种误差校正方法能够有效减小粒度组成预测误差，前20次煤堆粒度组成平均预测误差最高为3.79%，最低为0.03%。提出了一种基于机器视觉的煤堆密度组成快速分析方法。本文提取了煤粒表面50个颜色、光泽和纹理特征参数，并对其进行异常点检测和标准化处理；采用箱线图对所有特征参数进行了初步分析，探索其随煤粒粒级和密度级的变化趋势，初步筛选特征参数；随后采用核主成分分析（KPCA）和遗传算法（GA）进一步优化特征参数，结果表明GA特征筛选方法效果更佳；支持向量机分类器（SVM）相对于BP、RBF和PNN神经网络能够更准确的预测煤粒密度级；窄粒级煤粒密度级预测准确率远高于全粒级煤粒，并且窄粒级中煤粒密度级预测准确率随粒级增大而升高；结合上述研究提出了一种分粒级进行的煤堆密度组成分析方法，测试结果表明实验次数越多，预测误差呈降低趋势，前20次各密度级组成平均预测误差最高为8.03%，最低为0.87%。提出了一种基于机器视觉的煤堆各密度级灰分和总灰快速分析方法。通过建立煤粒灰分与密度的二次多项式模型，确定煤粒表面特征参数随灰分的变化趋势应与其随密度级的变化趋势一致；采用遗传算法（GA）筛选特征参数，结合支持向量机（SVM）建立煤粒灰分预测模型；结果表明全粒级煤粒灰分预测模型精度不如窄粒级灰分预测模型，并且灰分预测模型精度随粒级增大而升高，SVM预测模型比BP和RBF神经网络模型更适合用于煤粒灰分信息预测；结合上述研究提出了一种分粒级进行的煤堆各密度级灰分与总灰分析方法，测试结果表明预测误差随实验次数增多呈降低趋势，前20次各密度级平均灰分预测误差最高为3.39%，最低为0.22%，总灰平均误差为0.73%。初步尝试了基于机器视觉的煤质快速分析半工业试验。在神华宁煤太西选煤厂设计开发了一套原煤可选性实时预测系统和一套超纯煤灰分实时预测系统，运行情况表明煤质快速分析方法是可行的，两套设备基本能够满足现场环境实时煤质预测要求；实时预测的入料原煤粒度组成、密度组成和灰分信息绝对误差均在10%以内，并可实时显示可选性曲线；实时预测的超纯煤灰分绝对误差平均值为0.12%；本文研究内容的初步应用表明了煤质快速方法的有效性，后续研究将继续提高系统稳定性和预测精度。