焦煤显微组分是指在显微镜下划分的焦煤基本有机组成单元。焦煤的显微组分构成与其结焦性、黏结性、对CO吸附能力、热破碎性等密切相关。因此,实现焦煤显微结构中各显微组分的自动分类与识别,对于预测焦煤的工艺性质、合理利用焦煤资源、优化配煤结构等具有重要意义。本文在分析焦煤各显微组分图像特点的基础上,先提取各显微组分纹理特征,对纹理特征进行分析、选择,构成有效特征量集,再设计分类方案对其进行自动分类。论文主要内容如下:(1)在广泛查阅相关文献的基础上,综述国内外煤岩显微组分分析及图像分类算法的研究现状。(2)分析焦煤显微图像中各显微组分的特点和差异,提取基于灰度统计分布、基于灰度共生矩阵、基于灰度行程长度、基于局部二进制模式、基于小波分解和基于Tamura纹理等共计41维特征量,统计分析各特征量对焦煤显微组分分类的有效性。(3)根据特征分析的结果,构建支持向量机分类器,选取有效特征量构成特征量集并由此直接对焦煤的惰质组、镜质组和壳质组三大类别以及各类别中典型组分进行分类。(4)针对焦煤显微组分分类中数据维数较高的问题,结合主成分分析和有监督局部保留投影算法两者的优点,提出一种基于PCA-SLPP的流形学习降维方法。采用降维后的特征量对焦煤显微组分进行分类,以验证降维方法的有效性。(5)综合主成分分析和极限学习机的优势,并将奇异值分解引入极限学习机,提出一种改进的PSVD-ELM分类方法。采用该方法对焦煤显微组分进行分类,并与其它分类方法进行对比和分析,验证新分类方法的有效性。本文的特色与创新之处主要在于:综合考虑特征数据的全局结构、局部保留结构和数据类别信息,有效降低特征空间维数的同时提高了分类的正确率;综合主成分分析和极限学习机的优势,并将奇异值分解引入至极限学习机,实现焦煤显微组分的有效分类。与目前普遍采用的方法相比,本文方法具有特征提取效果好、分类速度快和分类正确率高等特点。