煤矸中的矸石受到沾染煤粉的影响,导致煤矸单纯从图像上来看,难以分辨,是影响煤矸识别精度的主要因素之一,若直接对煤矸原图进行识别,则准确率较低。针对这一问题,为了增大煤矸图像的差异性,提高识别精度,本文从神经网络输入的煤矸原始图像出发,对预处理后的煤矸图像进行识别分类,预处理主要包括煤矸图像的初步预处理和煤矸图像的增强处理,同时结合深度学习中的卷积神经网络,对Le Net网络进行改进,并将预处理后的煤矸图像输入改进后的Le Net网络进行煤矸的识别和分类,主要的研究内容包括:（1）对采集到的煤矸原图进行初步预处理操作。采用图像边缘填充法对煤矸图像进行分辨率标准化,再利用高斯滤波算法对煤矸图像进行平滑滤波处理,然后采用Otsu算法对滤波去噪后的煤矸图进行二值化,最后采用边缘搜寻法搜寻煤矸图像煤矸石目标的边缘并确定边缘位置准确进行图像裁剪。（2）对初步预处理后的煤矸图像进行图像增强,图像增强包括边缘增强和纹理增强两部分。其中,对于煤矸图的边缘增强,采用Canny边缘检测算法检测煤矸石的边缘并对其进行增强处理突出煤矸石边缘轮廓,同时将像素级图像融合和特征级图像融合法结合起来,利用加权和融合法对煤矸图像进行边缘融合增强处理。关于图像的纹理增强,利用灰度共生矩阵提取煤矸图像的均值、方差、同质性、对比度、相异性、熵、能量和自相关这8种纹理特征,采用与边缘融合相同融合方法对煤矸图像进行纹理融合增强处理。（3）对卷积神经网络Le Net进行改进,增大输入特征图大小以增加图像数据量,将平均池化改为最大池化方法,更多的保留煤矸图像的纹理信息,将Sigmoid激活函数改为使用Relu函数,使收敛速度大大提高,避免梯度消失问题,同时在全连接层采用Dropout机制,减少网络的过拟合现象。（4）最后分别将各种方法的图像预处理后的煤矸图输入到改进的Le Net网络进行分类实验。实验结果表明:对图像进行边缘增强和纹理增强都可以显著提高对煤矸的识别率,识别率都可以达到100%,相比于当前的一些煤矸识别算法有更高的识别率。不同的是,原图与边缘增强图的融合比例对煤矸识别率影响不大,而原图与纹理增强图的融合比例会影响对煤矸的识别率。（5）根据实验结果的对比分析,选出最优的图像增强方法,利用此方法开发煤矸识别软件。结果表明,采用基于边缘增强和改进的Le Net的煤矸识别分类方法优于其他方法,利用此方法,采用Tkinter编程编写GUI应用程序开发煤矸识别软件并进行测试。测试结果表明,利用本文的煤矸识别算法开发的煤矸识别软件对煤矸有着较高的识别率,且更加方便快捷。