在采矿作业中,煤矿运输安全是煤矿安全生产的重要保障。带式输送机由于其具有运输量大、稳定性高、便于安装与维护等特性,被广泛的应用于煤矿物料运输中,是煤矿开采与分选的重要连接设备。输送带是整个带式输送机的最重要组成部分,在煤矿运输进程中,原煤中掺杂的煤矸石与用于固定巷道的金属锚杆以及在煤矿生产中的其他坚硬的杂质可能会划伤甚至撕裂输送带。通过对比输送带发生损伤的事故案例中发现,纵向撕裂是最为常见的输送带故障。由于煤矿中物料的运输距离较长,如果发生纵向撕裂事故,则整个输送带都可能被更换,会造成煤矿的正常生产长期不能恢复,从而产生巨大的经济损失。如果煤矿工作人员未能迅速察觉事故,将导致煤矿巷道堵塞,甚至造成人员伤亡。因此,输送带纵向撕裂的检测是煤矿安全生产中亟需解决的重要问题。本文将表征输送带损伤状态的视听信息引入到输送带纵向撕裂检测中,并研究视听融合的模型与方法,以突破目前输送带纵向撕裂检测方法的诸多局限,为输送带纵向撕裂检测中复杂问题提供新的思路。本文基于机器学习,综合视觉和声音的互补特性,提出了基于机器学习的输送带纵向撕裂视听融合检测方法来提高在煤矿实际环境中的输送带纵向撕裂检测准确率。该方法的主要研究内容有两部分组成:第一提出了基于传统机器学习的输送带纵向撕裂检测方法,首先通过对可见光CCD和麦克风阵列采集到的输送带损伤的图像和声音进行处理和分析,分别提取出输送带正常运行、纵向撕裂与划伤时的图像与声音特征,然后将提取出的不同特征通过串联、数据标准化和PCA降维来进行融合,最后将融合后的视听特征输入到机器学习算法中构建输送带纵向撕裂视听处理模型。第二为了更加有效的提取输送带纵向撕裂时的声音和图像特征,提出了基于深度学习的输送带纵向撕裂检测方法,首先将输送损伤声音事件转化为声谱图,然后为了更好的获取运动中输送带的损伤特征,构建了3D视听卷积神经网络,最后将同一时间内连续的声谱图和多帧输送带损伤图像作为卷积神经网络的输入层,根据输送带损伤的不同状况自动构建该任务的特征提取与融合方法。本文在实验室模拟煤矿井下工作环境的基础上,在Python编译环境中借助于Open CV库与Tensor Flow框架验对该检测方法进行了验证,实验结果表明该方法在黑暗多尘环境中比传统视觉检测方法具有更高的准确率。