燃烧广泛应用于农业、工业、交通运输、国防等各个领域,是当今社会能量需求的重要来源。燃烧性能的好坏,对人民生活和工业生产的安全性、经济性和环保性有非常重要的意义。燃烧伴随着复杂的物理和化学反应,各种因素又相互影响,更增加了燃烧过程的复杂性,这就导致了燃烧过程难以测量和控制,因此燃烧过程的监测和诊断是非常有研究前景的课题。氧乙炔火焰在工业生产中得到广泛的应用,如何安全、高效的应用氧乙炔火焰越来越为人们所重视。氧乙炔火焰燃烧状态的监测和诊断,将有助于提高燃烧效率、减少污染。火焰是燃烧状况的直接反映,包含丰富的燃烧信息。随着数字图像处理技术和计算机技术的发展,火焰图像为燃烧诊断提供了新的手段。基于统计学习理论的支持向量机(SVM)在解决小样本、非线性、高维数等问题时表现出优良的性能,逐渐成为火焰燃烧诊断领域研究的热点。本课题据此展开研究,对氧乙炔火焰图像进行处理,提取火焰特征,寻找火焰图像与燃烧性能之间的关联关系,应用支持向量机算法实现了火焰燃烧状态的自动分类,为进一步优化实际生产中燃烧状态的智能监测提供了依据。本文在分析传统图像滤波方法的基础上,提出了自适应投票快速中值滤波算法(AVMF),实验结果表明相比于传统方法,AVMF在速度和精度两方面都具有显著的优越性。针对氧乙炔火焰图像的特点,采用RGB颜色通道分割图像的方法,取得了较好的分割效果。本文对氧乙炔火焰图像的多个特征进行了研究,寻找到能够体现不同类型氧乙炔火焰特点的特征组合,为后续高性能分类器的设计打下了良好的基础。应用支持向量机和人工神经网络实现了氧乙炔火焰图像的分类,一方面表明了本文对氧乙炔火焰图像的特征提取是成功的,另一方面验证了支持向量机理论用于氧乙炔火焰图像分类识别的有效性和优越性。