十四五规划指出,在未来多年内,煤炭仍将是我国需求量最高的能源,它对国家的工业、经济和生活水平发展有着不可替代的作用。但是煤炭在开采过程中还往往伴随着大量矸石的产出,矸石的密度大,热量低,若大量矸石混合在煤炭中会造成运输成本的上升,更会降低煤炭的燃烧效率并释放出有毒有害气体。因此在矿井或洗煤厂中就对煤和矸石进行分选是一项重要的工序。得益于煤和矸石表面的灰度和纹理差异,使得基于图像识别的煤和矸石的自动化分选方法成为可能。随着成像设备和高性能计算机的发展,在实验室环境中,基于图像的煤矸识别方法在设备和算法方面都得到了快速发展。但在真实的矿井或洗煤厂中,由于使用环境较为复杂,传统的图像识别方法在软硬件方面往往存在技术缺陷,导致识别的安全性或准确性不能满足生产需求。针对上述问题,本文首次提出了利用激光雷达（LiDAR）主动成像的煤矸的识别手段,通过点云信息获取到煤矸反射强度图像,并且研究了针对煤矸反射强度图像的识别算法,对比了两种传统纹理特征提取算法和一种改进的神经网络识别算法,发现改进后的神经网络算法能够更快更好地识别煤矸反射强度图像,最终取得了满意的效果。本文首先针对洗煤厂的现场环境完成了激光雷达的选型,并搭建了煤矸点云信息采集系统。随后在洗煤厂的实际生产环境中采集了 10000块煤和矸石的点云信息,对点云信息进行了一系列预处理,其中包含距离信息和反射强度信息。提出了一种利用距离点云信息背景去噪的方法,通过传送带与矿石间的距离差,从物理层面完成背景去噪,据此可得到无背景信息的煤矸反射强度图像。随后对反射强度图像做归一、滤波和闭运算等处理以提高图像质量。使用感兴趣区域算法将一张含有多块煤矸的反射强度图像分割成多张含有单块煤矸的反射强度图像,并将其大小调整至统一大小,得到包含10000张煤矸反射强度图像的数据集。设计了两种传统特征提取分类算法:第一种为利用灰度共生矩阵（GLCM）特征提取算法提取煤矸的特征,并用支持向量机（SVM）特征分类算法对特征进行分类;第二种为利用梯度方向直方图（HOG）联合局部二值模式（LBP）特征特区算法提取煤矸的特征,并结合SVM分类算法的分类算法对特征进行分类。优化了基于VGG（Visual Geometry Group Network）卷积神经网络的架构,通过剪枝得到了本文的VGG-prune网络,并与经典的VGG-16和VGG-19网络架构进行了实验对比,证明了 VGG-prune网络在不影响识别准确率的情况下能够大幅提高识别速度。本文最后使用了煤矸反射强度图像对上述三种算法进行了模型训练与测试,并采用了全面的评价方法对它们的测试结果做出了评价。测试结果表明,VGG-prune模型对煤和矸石的识别准确率为92.13%,F1-score分数为0.926,识别速度为37.4块/秒,其各项数据都要优于另外两种传统的纹理特征识别算法。实验结果证明了在洗煤厂环境中,激光雷达结合VGG-prune网络能够实现对煤和矸石的快速准确识别,证明了激光雷达在矿石识别方面具有科研意义和应用价值,并且弥补了现存的图像煤矸识别法的缺陷,也为激光雷达的应用提供了新思路。