煤炭依然是全球主要的化石能源之一,特别是在中国和其他发展中国家其战略能源和资源属性十分突出,然而在当前全球碳达峰和碳中和的大背景下,煤炭资源的高效开发利用日趋重要。其中煤矸分选是实现资源高效利用和环境保护的有效手段,随着煤矿机器人技术成为煤矿智能装备研发领域的热点,矸石分选机器人是替代人工开展煤矸分选的有效手段,然而煤矸识别技术仍然是制约矸石分选机器人大规模推广应用的核心技术瓶颈。本文采用红外图像处理技术开展煤矸识别方法研究,通过图像分析煤样中煤炭（AAD）和挥发物质（VAD）含量,实现对煤矸石的快速、精准识别。具体开展了以下几个方面的工作:根据物体的热能和红外辐射发射来区分生产线上的煤和矸石,通过对待测煤样采用热风加热,使得每个试样的表面温度上升至30℃～50℃之间。采用支持向量机（SVM）算法从红外图像中提取数据进行分析,只利用红外图像的单一特征,即从YCBCR颜色空间中提取的CB项,使用Gaussian-SVM法计算加热处理后的煤样图片的CB均值,实验表明该方法的识别精度达到97.83%。融合红外图像分析和卷积神经网络深度学习（CNN）技术,利用CNN模型进行训练和测试开展煤矸识别研究,获得了95.09%分类准确性验证精度,整体预测准确率达到了98.75%。最后开展了多种CNN模型的训练和测试研究,分别针对褐煤、烟煤、次烟煤、无烟煤、矸石和岩石等样品进行了实验测试,煤矸识别精度达到了100%。