浮选是矿物分离中最广泛的一种选矿方法,涉及到极其复杂的物理化学过程。目前,矿物浮选过程主要由有经验的操作工人通过观察浮选槽表面泡沫的状态来完成浮选操作,但是由于浮选操作的不确定性和随意性,影响浮选过程的优化运行和有用金属回收率。因此,研究泡沫图像的状态识别,并用于指导浮选工业过程操作,具有非常重要的意义。通过从多种图像特征中选择恰当的物理参数(颜色、纹理)描述精选泡沫图像,研究了基于图像处理技术的泡沫颜色和纹理特征提取方法,同时探讨了所提取的特征参数与工艺过程数据之间的关系,研究了基于支持向量机的精选泡沫图像分类识别方法。首先,在分析浮选泡沫图像的基础上,针对精选泡沫细小,不易分割的特点,选取图像的颜色和纹理特征参数来描述精选泡馍图像,研究了在不同的颜色空间颜色特征提取方法,实验分析表明,在HSV(hue,saturation, value)颜色空间利用主元分析(PCA)提取颜色特征,不仅能保留图像颜色大部分信息,更能有效的反映浮选矿物品位(有用矿物与杂质的比值)。然后,在泡沫图像纹理特征提取中,针对现有纹理特征提取算法很难建立纹理特征和工艺参数之间联系的问题,提出了基于改进的模糊纹理谱的泡沫图像纹理特征提取方法,通过对提取的纹理特征和矿物品位的相关性分析,表明该方法能有效的描述不同泡沫图像的纹理。最后,针对小样本、非线性及高维空间中传统分类方法难以准确分类,利用基于统计学习理论的支持向量机方法(SVM),以提取泡沫图像的颜色及纹理特征作为输入,构建了精选泡沫图像状态识别模型,实现了精选泡沫图像的分类识别。实验结果表明,该分类模型具有良好的分类性能,为浮选过程的加药控制奠定基础。