矿物浮选的智能化是矿物资源利用及浮选工业的重要议题。提高浮选效率,就能有效提升矿产资源利用率、减少企业成本、提高能效、减少环境污染。在浮选工艺研究中,对浮选泡沫图像的智能监控是煤炭浮选领域研究的重点。然而,在现实工业浮选流程中,灰分等关乎浮选品质的重要指标,长期以来依靠人工采样化验得到,具有严重的滞后性,且只能得到几个时段的灰分数据,无法做到实时在线监测。因此煤炭的传统浮选流程难以及时对生产情况进行调整,难以保证产出的精煤合格、稳定。近年来,随着计算机图像处理技术的飞速发展,机器视觉在工业中得到广泛应用,人工智能与深度学习能够成为浮选智能化的重要工具。大量研究表明,浮选泡沫表面的视觉特性蕴含着大量的与浮选工况、生产指标相关的信息,例如煤炭的灰分与泡沫表面灰度的关联性。虽然传统图像处理算法在这方面取得了一些效果,但上限不高。尽管新兴的深度学习方法理论上在足量样本训练的情况下拥有极高准确率,但是囿于浮选行业的固有条件,采集、标注数据相对困难,难以形成较大的数据集,导致了没有可靠公共数据集的行业通病。行业惯用的基于绝对值测量的软测量方法在此种情况下难拟合、误差大、通用性差。本文针对以上困难和不足,依托煤炭浮选实验,以煤炭为代表研究矿物浮选图像,采用计算机图像处理算法,对煤炭的浮选泡沫图像进行研究,具体内容包括:（1）提出一种基于Deep Labv3+改进的M-Deep Labv3+神经网络,采用深度学习算法研究气泡生成速率等因素对浮选效果的影响。在实验室环境下,采用XFD-63型变频调速单槽浮选机进行煤炭浮选实验。选择采集包含浮选操作所有流程的视频,根据时间点从视频中优选截图进行研究,并采用专家咨询结合算法实际需求进行标注。完成对泡沫图像的分割。实验结果表明,较传统轮廓提取算法和原神经网络,改进后的网络准确度较高。（2）提出一种基于浮选泡沫图像的煤灰分变化检测方法。该方法能够通过计算泡沫灰度进行灰分相对性测量,抗噪声能力强,通用性高,能弥补在小样本条件下深度学习精度低的缺点,监测浮选工况的好坏。（3）设计一套可用于浮选现场的相对灰分变化监测系统。该系统能较好的指导现场的生产情况。此外,实验的煤炭浮选泡沫图像数据采集流程,能有效获得高质量的可用数据集,形成一套矿物浮选泡沫图像数据采集的标准流程,为深度学习在后续相关的研究应用中打下基础。该论文共有图44幅,表14个,参考文献65篇。