在利用回转窑设备生产氧化铝的过程中,回转窑烧结工况的准确预报决定了氧化铝产品的质量和回转窑设备的安全。目前,回转窑烧结工况的预报方法主要是“人工看火”,但是,“人工看火”要求操作人员频繁地到窑头看火孔观察窑内烧结状况,烧结工况的预报结果容易受到操作人员的行为和素质等主观因素的影响,有时产生错误,导致氧化铝产品产量低、质量差,甚至出现安全事故。因此,回转窑烧结工况的预报对氧化铝制备过程的优化控制具有重要的研究意义和应用价值。在模式识别方法中,由于支持向量机(SVM)方法基本上不涉及概率测度的定义及大数定律,其最终决策函数只由少数的支持向量所确定,避免了“维数灾难”问题,“剔除”了大量冗余样本,建模所需的先验干预较少,因此基于SVM建立的模型具有较好的健壮性和推广能力。但是,该方法对烧结工况的预报率较低。针对上述问题,本文首先在线采集回转窑烧结工况图像,然后利用滚球算法对图像进行去噪处理,其次利用大津方法和快速行进法对物料区、火焰区、充分燃烧区和黑把子区等关心区域进行分割,再次对分割出来的区域进行特征提取与特征约简,最后利用支持向量机和粒子群(PSO)算法相结合的方法进行烧结工况的预报。并通过优化SVM的参数,进一步提高烧结工况的预报率。经过实验验证,本文方法可以较大程度地提高烧结工况预报的正确识别率。