我国煤炭资源丰富,但随着开采时间变长,煤炭资源日趋贫杂难选。随着科技的进步,基于高新传感器的煤料干法分拣技术崭露头角,但由于高成本、辐射、响应速度慢、矿石单体识别难等问题限制了大部分先进检测技术在矿石干选领域的应用推广,而基于机器视觉的智能矿石干选技术能够很好的克服上述难题。因此本文结合机器视觉技术在煤料干选技术中的优势和当前机器视觉技术在选煤行业中的应用现状,提出一种基于机器视觉的多煤种密度级在线分类技术。本文以不同成煤环境和煤化程度下的气煤、焦煤和无烟煤为研究对象,采用浮沉试验在各煤种中准备了<1.4g/cm3、1.4～1.6g/cm3、1.6～1.8g/cm3、>1.8g/cm3四个密度级煤样,并搭建了一套动态煤样图像采集系统。通过对实验煤进行显微组分分析以及煤粒的表面图像分析,证明煤粒表面颜色、光泽和纹理等表观特征与煤粒密度级之间存在密切联系,并分析了不同煤种表观特性存在差异的根源,同时也指出了不同煤种表观特性与密度级之间存在相同的变化规律,为后续提取煤粒表面共性特征参数和建立多煤种共性分类模型奠定了理论基础。提出了煤料表面图像特征提取和筛选方法。采用阈值分割、二值化处理、形态学处理、区域标记和像素索引等图像预处理技术,确保煤粒表面特征量化的有效性。通过伪彩色图和直方图分析,提取了基于RGB颜色模型的3个颜色和光泽特征,通过小波变换和灰度共生矩阵两种纹理分析方法,提取了基于HSV颜色模型的24个纹理特征;分别采用箱线图-相关性计算和PSO-SVM对特征参数进行筛选,并根据两种方法对应的各分类模型的分类效果对其性能进行评估,后续结果表明PSO-SVM特征筛选方法效果更好。建立了煤粒密度级预测模型。采用SVM、随机森林、BP神经网络、SIMCA和KNN五种模式识别算法,分别在三个煤种中建立了煤粒密度级预测模型,经10次试验,得到各分类标准下各分类模型的分类结果;结合各模型的稳定性、时效性和预测精度,选取SVM、随机森林和SIMCA三种综合性能较好的模型,制定了一种“多算法融合”的“竞争投票”分类决策。最后,根据煤岩组分和表面特征分析以及各煤种的特征参数随密度级的变化规律,建立了一种多煤种共性分类模型,并得到各分类标准下各分类模型的分类结果,结果证明“竞争投票”的总分类准确最高,在“四分类”中达84.78%,在“三分类”中达90.89%,而“两分类”中各模型分类准确率均较高。测试结果说明,采用不同成煤环境和煤化程度下的原煤数据建立的多煤种共性分类模型精度较高、鲁棒性强,为机器视觉技术在煤料干选技术中的推广应用提供了一定的理论基础和技术支撑。