我国城市生活垃圾年清运量和焚烧处置率逐年递增,垃圾焚烧发电项目日渐增多,大型化焚烧炉已成发展趋势。但我国垃圾组分复杂多变且随着国民经济发展,垃圾热值逐渐高于焚烧炉设计热值,导致了诸多燃烧问题。比如燃烧恶化导致污染物原始生成浓度剧增、垃圾焚烧不彻底、炉渣热灼减率偏高等。目前炉内燃烧监测诊断主要通过热电偶等测温装置进行,监测系统覆盖范围窄且参数的测量具有滞后性,对焚烧过程中出现的偏烧问题反馈不及时。因此有必要对炉内燃烧过程的诊断方法开展相应研究。本文基于750 t/d的大型生活垃圾焚烧炉排火焰图像开展了燃烧诊断方法研究,通过图像提取的特征参数对燃烧状态进行表征和评价,基于人工神经网络预测未来时刻主蒸汽温度,并实现偏烧问题诊断的快捷化、智能化。论文首先通过图像处理技术获得燃烧图像灰度均值、火焰面积率、火焰高温率、火焰前沿等关键参数,并基于上述参数和因子分析法对燃烧恶化开展综合评价。然后开发了用于偏烧状态识别的K邻近算法模型和卷积神经网络(CNN,Convolutional Neural Networks)模型,对比分析了各自的优缺点。对于CNN模型,通过K-mean聚类改变卷积层特征提取函数,既简化模型结构又提高特征提取效率。最后将燃烧图像和分布式控制系统(DCS,Distributed Control System)运行参数(温度、配风、主蒸汽参数等)结合起来开发用于预测未来时刻主蒸汽温度变化的神经网络,并发现将燃烧图像的特征信息作为神经网络输入能提高预测精度。