随着国民经济的飞速发展,我国对铜的需求量不断上涨。作为重要的选矿技术,浮选也被广泛运用在铜的生产中。但是我国的浮选生产自动化水平较低,人工观测的主观性和随意性导致浮选生产不能在最优状态下稳定运行,生产效率和矿产资源利用率较低。因此,对浮选工况进行准确识别是浮选过程优化控制的关键,具有重要的现实意义。浮选过程中,泡沫层的表观特征与工况联系紧密,基于图像处理的浮选泡沫工况识别技术由于能够准确定量描述图像特征、克服人工观测的主观性和随意性而得到了专家学者们的广泛关注。本文以铜浮选为研究背景,通过对铜浮选泡沫图像进行特征提取,建立浮选工况识别模型,实现了浮选工况的准确识别。本文的主要工作内容如下:（1）为深度挖掘浮选泡沫图像相近灰度间的信息,本文提出了一种基于双树复小波域共生增广矩阵的纹理特征提取方法,通过仿真验证了该纹理特征提取算法不仅耗时短,还具备有效性和可识别性。（2）浮选泡沫图像噪声嘈杂、高亮点粘连,气泡大小分布不均容易产生过分割和欠分割等现象,针对这些问题,本文提出了一种改进的灰度距离变换的分水岭分割算法,基于该算法的浮选泡沫尺寸特征提取有较强的分类能力和抗干扰性。（3）对浮选工况识别方法进行了研究,提出了一种基于改进的决策二叉树的多核支持向量机（MKL-SVM）工况识别方法,并基于该方法建立了浮选工况识别模型。将提取出的浮选泡沫特征作为该模型的输入特征向量进行模型的训练与测试,结果表明,本文提出的浮选工况识别方法兼具了识别准确率和抗干扰能力,具有较高的应用价值。