在露天矿采掘生产过程中,如何高效合理的利用采运设备进行生产,是矿山企业发展面临的重要问题。行程时间作为衡量道路通行能力的重要参数,对其进行实时预测,可以实现卡车在运行过程中的实时管控和调度,也是实现露天矿卡车实时调度、控制的关键因素。因此,通过对卡车状态以及状态运行时间进行预测,优化卡车调度模型,以此来提高卡车设备利用率,提高企业经济效益,推动矿山智能化发展,实现高效智能生产。具体工作主要有以下几个方面:(1)针对露天矿卡车状态识别以及状态时间预测所涉及的机器学习理论与算法进行了阐述,并介绍了卡车调度优化理论,为基于卡车状态运行时间预测的调度模型建立与求解提供了思路。(2)针对露天矿卡车在装运卸运输过程中的各种状态,利用机器学习算法建立了露天矿卡车状态识别模型,并利用智能调度管控平台采集到的相关特征数据,进行仿真实验。结果表明:Adaboost算法在露天矿卡车状态识别方面具有良好的识别性能。(3)针对卡车状态运行时间,利用机器学习算法建立了露天矿卡车状态运行时间预测模型,并利用相关特征数据,进行仿真实验。对于每一状态运行时间预测,所适用的最佳机器学习模型是不同的,SVM模型适用于空载和卸载状态运行时间预测,RF模型适用于待装、装载和重载状态运行时间预测。(4)通过对每一状态使用精准预测模型进行卡车状态运行时间预测,将预测结果作为参数带入到调度模型中,建立基于露天矿卡车状态运行时间预测的调度模型。并基于智能调度管控平台采集到的现场卡车实际运行数据,进行数据整合处理后,采用遗传-粒子群混合算法进行求解,得到更加切合实际的调度策略。本文的研究成果,进一步为卡车调度优化提供了新的方法与解决途径,也为智能化调度奠定了基础,对露天矿卡车生产调度具有重要的实用价值。