铅锌矿石是战略性资源,广泛应用于各个工业领域,对于国民经济的快速发展有着举足轻重的作用。随着高品位矿藏的枯竭,铅锌矿石利用率需提高,铅锌矿石分选越来越受关注。通过铅锌矿石分选,富集铅锌矿石,提高利用率,矿山企业能够做到不浪费,绿色发展。针对利用卷积神经网络对矿石进行智能分选时,难以同时提高矿石分类精确度和处理量的问题,提出基于知识蒸馏理论的铅锌矿石图像分类方法。本文以基于X射线成像技术的铅锌矿石图像为研究对象,通过研究传统卷积神经网络模型,引入知识蒸馏理论对模型进行迁移学习,从而达到模型优化的效果,最后,提取图像特征信息,利用优化后的模型对铅锌矿石图像进行分类,减少系统资源占用和提高分类准确率。全文主要研究内容有:（1）总结基于X射线成像技术的铅锌矿石图像数据特点。介绍了铅锌矿石性质、X射线成像基本原理,最后统计铅锌矿石图像的灰度值和粒级分布情况,得到铅锌矿石图像数据特性。（2）仿真实验平台的搭建。基于Caffe框架,搭建铅锌矿石分选仿真实验平台,利用GPU加快模型识别速度,实现实时铅锌矿石图像分类。（3）总结传统卷积神经网络模型对铅锌矿石图像的分类实验。详细介绍传统卷积网络模型的结构和基本原理,针对传统卷积神经网络模型对铅锌矿石图像的分类实验结果对比,得出LeNet-5网络模型识别速度是最快的、ResNet18网络模型识别效果是最好的结论,设计一种模型,结合LeNet-5、ResNet18网络模型就能够满足研究目的。（4）基于知识蒸馏理论,建立LeNet-ResNet18网络模型。替换传统LeNet-5网络模型中的激活函数,利用教师模型ResNet18“教”学生模型LeNet-5学习,提升网络模型的分类性能,并通过蒸馏解决计算量多的问题,使LeNet-ResNet18网络模型同时具备具有高效性和实时性,最终达到同时提高铅锌矿石处理量和分类准确度的研究目的。