回转窑是建材、冶金、化工等工业领域的大型关键热工设备。窑内烧结过程复杂多变,利用窑内燃煤火焰图像进行工况识别和判断是后续进行稳定控制的基础和关键。目前,深度学习在语音识别、图像处理、互联网应用等多个领域已获得成功应用,本文基于深层卷积神经网络进行窑内工况的燃煤火焰图像识别算法研究,同时将免疫遗传算法优化卷积网络参数设计提高图像识别性能,对于深度学习的工业软测量应用具有重要意义。主要研究内容分为以下几点:(1)研究了卷积神经网络(CNN)架构和基础理论。分析了卷积运算、激活函数、池化、全连接、dropout层等基本操作模块和卷积神经网络中反向传播以及梯度下降等核心运算,在此基础上给出了卷积神经网络的基本结构以及计算流程。(2)针对窑内燃煤火焰图像粉尘大、易受干扰等特点,选择图像灰度化后的中值滤波和GIF去雾对火焰图像进行了预处理,并根据“过烧”、“正烧”以及“欠烧”三种工况状态进行人工标定形成回转窑烧成带的工况识别图像数据集。(3)分析了AlexNet、VGGNet、GoogleNet以及ResNet四种卷积神经网络模型结构,利用上节窑内火焰图像集基于Tensorflow仿真平台进行了窑内燃煤火焰图像识别实验。实验结果表明:AlexNet不收敛,VGGNet出现了过拟合,GoogleNet收敛速度慢,最终选取ResNet深度网络作为窑内工况燃煤火焰图像识别模型。(4)最后,利用免疫遗传算法优化ResNet网络的卷积层以及全连接层初始权值,并通过遗传优化解的对比与迭代时间的综合考虑选取免疫遗传控制参数。试验对比发现,免疫遗传优化后的ResNet网络识别率提高了4%,同时损失函数收敛速度得到较大的提升。