煤炭港口是现代物流行业的重要组成部分,装备智能化是港口迈向集约化、绿色化、高效化发展的必由之路。取料机作为散货运输的重要设备,实现无人化作业更是装备智能化的重要发展方向。目前针对煤炭港口应用场景的感知技术研究仍比较匮乏,虽然部分港口已实现了取料机无人作业,但是仍存在使用限制条件多、作业效率低、操作员观察困难等问题。因此,开展取料机无人化作业中感知系统相关技术研究,对推动港口装备无人化技术发展、加快行业转型升级具有重要研究意义和应用价值。具体研究工作如下:首先,介绍了国内外无人化取料机发展现状,分析了取料工艺流程及感知系统所需功能,完成了感知系统设计和关键传感器的硬件选型。针对毫米波雷达安装角度测量困难、二维点云数据分析复杂的问题,提出了雷达安装俯仰角自动标定方法,以及根据雷达位姿变化将点云数据拼接为三维点云的方法。该方法能够自动测量雷达安装俯仰角,并利用毫米波雷达点云更新无人化系统中的料堆点云数据。然后,针对取料机无人化作业中往复取料效率低,毫米波雷达感知数据噪声多、波动频繁、数据不平衡导致现有机器学习分类模型效果欠佳等问题,提出了一种基于孪生重叠敏感边距分类器（Twin Overlap Sensitive Margin,TOSM）的料堆边界感知方法。该方法将点云样本划分为重叠与非重叠区域,对两个区域采用模糊孪生支持向量机和最近邻算法分别处理,提高了对料堆“垛中”、“垛外”点云的识别能力。将训练完成的模型加入感知环节后,与传统方法相比降低了斗轮空转时间并提高了取料效率。最后,针对毫米波雷达点云与图像融合困难导致的取料机感知系统数据显示不直观的问题,提出了基于三维点云配准的融合方法。该方法通过运动恢复结构原理得到图像重建点云,然后以点云形状特征检测关键点选取种子区域的方式改进了贝叶斯相干点漂移算法,完成了跨源点云融合,得到了带有距离映射的监控画面和具有纹理映射的三维重建模型。并根据感知系统功能要求,设计了可在线和离线运行的感知系统软件。