煤炭是我国的重要能源,在国民经济的可持续发展众起着关键作用,但与此同时煤矿也是工业生产中最危险的行业之一。矿井火灾是一大突出危害,其中,由于煤炭的自燃引起的火灾由于其不确定性造成的危害更大。对于煤炭自燃发火的早期特征,有多种探测方法,如测温法、指标气体法、气味检测法、同位素测氡法、电阻率探测法等等。每种方法都有其优缺点,但是单一的探测方法难以实现对煤炭自燃发火情况进行较为准确的监测,而且探测的信息不够直观,本课题提出将图像识别技术应用到其中,利用红外热像仪拍摄的红外图像,反映自燃发生的温度变化,把图像特征作为一种探测量,通过了解红外热图像高温面积的变化,利用多传感器的信息融合技术来进行信息的有效融合,从而识别煤炭的自燃情况,本文首先介绍了红外热成像原理,对红外热像仪采集到的红外图像进行去噪处理,本文采用了基于Contourlet变换的阈值去噪,改进了其阈值函数,取得了良好的去噪效果。随后,提取红外热图像的边缘特征,采用了改进的Sobel边缘检测算法,能够有效地检测到红外热图像的边缘信息,边缘清晰连续。其次,针对单一的探测方法无法及时反映煤自燃发生程度,提出了基于多传感器信息融合的煤自燃程度的综合评判模型。最后,针对多传感器信息的不确定性,本文提出了基于遗传算法的模糊C均值聚类方法,对采集到的传感器的信息进行分类。而对于煤炭自燃监测中出现的大量定性的复杂、模糊事件,提出将神经网络的概念与模糊推理方法结合起来,建立了一套结合神经网络的模糊推理系统。通过建立的模糊推理规则库,对采集到的传感器信息进行自燃情况的评判。通过训练仿真,对识别评判煤炭自燃程度有着很好的效果。