经过三十多年的发展,放顶煤开采技术在理论研究和工程应用上都达到了较高的水平,特别是随着综采机械化装备技术的发展,放顶煤工作面开采的机械化和自动化程度都有很大程度提高。然而在放煤自动化方面,虽然初步具备了放煤过程自动化生产的条件,但由于理论研究和技术水平的不成熟,还不能达到自动化生产的效果。因此,研究放煤过程的自动化控制,实现放煤阶段的煤矸识别和自动化放煤具有重要的理论和实践价值。本文针对放煤自动化控制做了以下几个部分研究：1)在现有综采放顶煤工作面自动化系统的基础上,分析说明了放顶煤工作面自动化系统中采煤自动化和放煤自动化的组成和逻辑关系,搭建了综采工作面放煤自动化系统平台,提出了基于振动、声波检测的煤矸混放状态识别的试验方法,并搭建了试验平台,引入煤矸混放比例参数ζ和放煤故障参数B,解决了放煤过程中全煤下放阶段(ζc)、30%矸石混放阶段(ζ0.3)、50%矸石混放阶段(ζ0.5)、全矸下放阶段(ζg)的四个阶段和堵煤、卡煤的故障状态信息(B)的数字量化问题。2)提出了自适应阈值小波降噪的方法。总结了经典小波阈值降噪的阈值法、VisuShrink阈值法、SureShrink阈值法三种方法,分析了它BayesShrink I们各自的优缺点,结合放顶煤过程中声音信号和振动信号的非平稳、非线性特点,以及信号预处理之后,仍然存在个别点与实测数据相差较大问题,引入了与自身小波系数值相关的降噪因子。通过工程实际信号进行分析验证说明,该算法既能充分考虑信号小波分解的能量分布特性,又能够取得较好的降噪效果。3)结合理论,计算了IMF各分量的能量Hilbert-Huang Transformation(HHT)及总能量,能量熵和峭度等特征分量；采用小波包对放煤过程非稳态振动和声音信号进行了多频段分析,并对分解后的各子空间信号进行了小波重构,计算了小波重构信号的节点能量和信息熵；计算了煤矸信号的分形维数、谱质心和Mel倒谱系统(Spectral Centroid,SC))等重(Mel-Frequency Cepstrum Coefficients, MFCC要特征属性,获得了放煤过程16种煤矸识别的特征属性。4)提出了一种新的基于的多类特征降维方法F-Score实现(MF-Score),了放煤过程煤矸数据集的特征简约。在分析了国内外现有特征降维和属性简约的基础上,针对现有的算法主要适合2类特征降维的缺陷,提出了多类F-Score的特征降维。为了避免特征降维后造成信息的丢失,提出了特征贡献MF-Score阈值,能够根据分类精度要求自适应调整阈值,重新组合新的特征集。仿真和试验结果验证了该方法非常适合多类、多特征集的特征降维。5)提出了自适应宽度因子的最小闭包球多分类算法(σ-MEB),解决了5类放煤过程煤矸数据集的分类问题。SVM解决多分类分类问题采用的是间接方式,需要训练的SVM数量较多,学习效率低,而最小闭包球(Minimal Enclosing Ball,MEB)在解决多分类问题时常出现过拟合或欠拟合的缺陷。针对这些问题,本文提出了自适应宽度因子σ的最小闭包球多分类算法。六种UCI样本数据集、煤矸过程的声音、振动信号的样本特征数据集均验证了该方法的可靠性和适应性。6)阐述了信息融合技术在煤矸识别中的融合结构及方法,针对放煤过程的分类特征信息不完备性和模糊性,建立了多模态信息融合模型。试验表明,融合声音和振动的多模态煤矸自动化系统比单模态的性能高。7)开发了基于LabVIEW的放煤自动化系统,完成了放煤自动化系统的设计及现场应用,实现了综放工作面放煤过程的涌煤、卡煤等不同煤状态下的决策融合及放煤插板放煤、支架尾梁破煤、后部输送机拉移等放煤自动化控制。