铝土矿浮选过程中,泡沫层能够直接反应浮选的质量指标。目前,有经验的操作工人主要通过观察浮选作业表面泡沫的视觉信息调整操作,但是由于浮选操作的不确定性和随意性,难以保证浮选过程的优化运行。因此,研究浮选泡沫状态识别,并用于指导浮选工业过程操作,对提高矿产资源的利用效率、实现企业的可持续发展,具有非常重要的现实意义。本文针对精选作业泡沫堆积、坍塌的特点选择纹理参数描述精选泡沫图像,研究了精选泡沫图像序列的静态、动态纹理特征提取方法,并分析了纹理特征参数与浮选工艺数据之间的相关性,利用支持向量机实现精选泡沫图像分类识别。论文研究工作主要体现在以下几个方面：首先,在泡沫图像的静态纹理特征提取中,针对现有的纹理特征难以建立与工艺指标之间的联系,提出统计树型小波变换后的小波系数来提取精选泡沫图像纹理特征参数,通过对提取的特征与工艺过程参数的定性分析,表明该特征参数能有效地描述不同的泡沫状态。其次,针对单帧泡沫图像特征参数不能够准确反映浮选工况,提出利用ARMA(自回归滑动平均)动态纹理模型描述泡沫图像之间的相关性,建立图像序列的概率密度分布,提取动态纹理特征向量。最后,针对精选泡沫的多分类问题,建立了基于1-α-1支持向量机分类的精选泡沫状态识别模型,以提取的纹理特征向量作为输入,实现了精选泡沫图像序列的分类识别。实验结果表明,该模型能较好的反映不同的精选泡沫状态的差别,具有很好的分类效果,为浮选过程优化控制奠定了基础。