在冶金行业中,稳定、优质的烧结生产过程是高炉冶炼的重要保障。烧结生产过程与烧结终点状态的特征信息都蕴含于烧结火焰图像中,其判断方式主要依赖于人工经验。由于烧结机尾环境恶劣,且人工经验判断存在主观因素的差异性,准确有效的对烧结火焰图像进行火焰区域跟踪和细粒度分类,有利于分析烧结过程状态,实现对烧结终点状态的有效判断,为烧结生产过程提供及时可靠的指导信息,具备较强的工程实际意义。针对烧结火焰图像采集环境中存在大量烟雾、粉尘颗粒等,对图像进行各向异性扩散去噪处理与图像增强,弱化背景特征,增强图像的特征表达能力。为有效的对烧结断面图像火焰区域进行跟踪,在经典粒子滤波算法基础上引入图像的RGB颜色空间作为粒子状态转移的特征。针对粒子退化现象和样本贫乏问题,优化粒子权重和粒子舍弃与重采样策略,实现对火焰区域有效跟踪,进而分析烧结过程状态。在构建细粒度分类数据集工作中,对烧结火焰图像进行数据扩增并做数据均衡化处理,为后续网络模型的泛化性能打下基础。对比经典卷积神经网络模型在数据集上的分类准确率,结合烧结火焰图像特征分布于不同的空间尺度选择Inception-v3作为骨干网络。进一步使用迁移学习方法和正则化处理,包括L2正则化、标签平滑和Dropout,加快模型迭代收敛的同时防止模型出现过拟合现象。实验结果表明,改进的粒子滤波算法跟踪火焰区域像素面积稳定在90%以上,跟踪效果良好且持续稳定,基于Inception-v3的多尺度CNN模型在烧结火焰图像细粒度分类上准确率达到98.91%。烧结火焰图像的火焰区域跟踪和细粒度分类为实际烧结生产的过程状态分析与终点状态判断提供理论依据,有效的提高烧结工艺生产效率和质量。图34幅;表8个;参56篇。