矿物浮选是一个易受多种物理化学因素影响的复杂物理化学过程,其工艺机理复杂,难以用一个准确的数学模型来描述。因此,浮选过程的控制一般靠经验丰富的浮选操作人员观察浮选泡沫特征判断工况来进行实时调整,然而不确定性和随意性的浮选操作严重影响了浮选过程的优化运行、降低了有用矿物的回收率。因此研究泡沫图像状态识别尤其是提取与浮选过程变量和性能指标密切相关的泡沫尺寸特征,并用于指导浮选工业过程控制,具有非常重要的实际意义。针对浮选泡沫图像噪声大、泡沫边界模糊不规则和图像灰度分布独特导致现有分割方法难以适用的问题,本文提出一种基于改进的自适应权重FCM的浮选泡沫图像分割方法。首先,基于无参考结构清晰度评价方法筛选样本图像并结合多分辨率分析和小波阈值去噪对泡沫图像去噪；然后,依据泡沫图像灰度分布的特殊性,提出一种自适应权重FCM对图像进行聚类粗划分,同时应用形态学操作对图像进行去噪平滑；最后,对处理后的图像进行距离变换、灰度重构并应用分水岭算法完成泡沫图像分割。统计分割后的气泡尺寸特征并用于浮选工况识别,为浮选加药控制提供指导。为验证本文所提方法的有效性,选取我国某选矿厂浮选车间混合粗选泡沫图像和实际加药量数据进行验证实验。首先用本文所提方法对浮选泡沫图像进行分割验证本文方法的有效性,然后将本文所提方法与其它现有分割算法进行对比实验以验证本文方法的优势,最后基于机器学习方法建立浮选工况识别模型,建立泡沫物理特征与浮选控制变量和性能指标之间的关系,优化浮选加药控制。结果表明本文所提方法与其它现有分割方法相比分割精度有了明显提高,能够克服现有分割方法过分割和欠分割问题,较精确地从边界模糊不规则、气泡大小不一的浮选泡沫图像中提取出每一个气泡,为浮选优化控制提供重要的泡沫尺寸特征。