近年来,数字图像处理技术在矿物浮选过程中得到了广泛的研究与应用。通常,研究浮选泡沫表层特征参数的变化,能够对泡沫浮选工况进行一定的识别。但是,由于浮选工艺现场环境恶劣,导致浮选泡沫图像品质低,从而影响对浮选泡沫图像特征提取的准确性,最终影响浮选泡沫图分类识别的精确率。为了降低工业现场对图像品质的影响,提高浮选泡沫图分类准确率,本文提出了基于向量空间模型(Vector Space Model,VSM)的泡沫图像纹理特征提取和分类方法。(1)本文针对泡沫图像特征提取受图像品质的影响,提出了基于VSM的纹理特征提取方法。该方法通过对数据库图像进行合理分块,提取各分块的颜色共生矩阵(Color Co-occurrence Matrix, CCM)纹理特征,对所有的CCM特征向量用模糊C均值聚类得到图像的CCM纹理数据表,并用设计的相对TF-MI(Term frequency-Mutual information)权重因子对CCM纹理数据表进行加权,再将对单幅图像各个分块的CCM特征向量与加权后的CCM纹理数据表进行对照并标识每个分块的状态,统计各个状态出现的频次,最后得到图像CCM纹理特征的向量表示称为CCM纹理特征的词袋表示。(2)分别采用BP (Back Propagation)和LVQ (Learning Vector Quantization)神经网络模型对获得的词袋数据分类处理。针对BP网络稳定性受隐含层节点影响、LVQ网络精度不足训练时间过长等问题,设计了BP-LVQ网络组合分类模型。该模型为采用三层网络结构,底层选取4组每组2个初始值不同的BP网络,中层为4个结构相同的LVQ,顶层为1个LVQ网络。其中底层各组网络采用不同的隐含层节点数,将每组的结果取均值输入到对应的中层LVQ网络,中层的4个LVQ网络再将输出结果按权线性组合输入顶层的LVQ网络,由顶层LVQ网络输出最终分类结果。(3)将所提的基于VSM的特征提取和分类方法应用在铝土矿浮选过程中。结果表明:本文所提出的浮选泡沫特征提取和分类方法能提高分类准确性,能够对浮选过程智能控制提供参考。